CN112201061B - 一种基于电警卡口数据的交叉口配时方案估计方法 - Google Patents
一种基于电警卡口数据的交叉口配时方案估计方法 Download PDFInfo
- Publication number
- CN112201061B CN112201061B CN202011034716.5A CN202011034716A CN112201061B CN 112201061 B CN112201061 B CN 112201061B CN 202011034716 A CN202011034716 A CN 202011034716A CN 112201061 B CN112201061 B CN 112201061B
- Authority
- CN
- China
- Prior art keywords
- phase
- value
- flow direction
- period
- estimation
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/082—Controlling the time between beginning of the same phase of a cycle at adjacent intersections
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/083—Controlling the allocation of time between phases of a cycle
Abstract
本发明涉及一种基于电警卡口数据的交叉口配时方案估计方法,包括以下步骤:1)构建交叉口配时方案估计的双层规划问题模型;2)获取周期长度、相位差以及绿信比估计的约束条件;3)针对受控流向所有可能的相位组合,定义表征直行流向和左转流向绿灯时间的启亮顺序和绿灯长度关系的哑变量,获得相位结构的约束条件;4)结合周期长度、相位差、相位结构和绿信比估计的约束条件,采用最小二乘法求解交叉口配时方案估计的双层规划问题,得到最终估计的配时方案。与现有技术相比,本发明具有全参数估计、估计精度高、适用性广等优点。
Description
技术领域
本发明涉及交通运行信号配时技术领域,尤其是涉及一种基于电警卡口数据的交叉口配时方案估计方法。
背景技术
信号配时方案作为间断流的标志,使得交通流从时间维度上具备了周期性的特征,在估计交通运行评估指标诸如排队长度、延误等是重要的输入,在信号控制优化时也是优化问题的决策变量,虽然当前信号控制领域已经发展到感应控制和自适应控制(比如SCOOT、SCATS等)的阶段,但在大多数国家和地区多时段定时控制模式仍占有主导地位。但是,在实践当中,因为检测系统时钟偏移或者人为干预的缘故,准确的信号配时方案常常无法获取,或者由交管部门提供的配时方案与实际运行的配时方案存在较大偏差。
现有的配时估计方法大多基于浮动车或者抽样轨迹数据通过确定性的交通波解析方法和非确定性的概率统计方法实现,对于基于车辆轨迹数据的配时估计方法,对停车线的标定以及对排队车辆加入和离开排队的时空坐标是首要的环节,因此车辆轨迹的捕获率和上传频率对估计精度具有很大影响,在估计参数方面,周期长度和单个流向的绿灯时长是最常见的估计参数,但对配时方案全参数的估计的研究还较少见,对相位结构的估计则多是基于预定的候选相位结构方案进行筛选。
近年来,卡口电警检测器在中国多数城市得到大规模的应用,全部车道均布设有电警卡口检测器的交叉口检测环境趋于普遍,相比于抽样轨迹数据,电警卡口检测器因为检测车牌的需要,其检测区域接近于各车道的停车线,因此可省去标定停车线位置的误差,而且电警检测器是全样检测,实际应用中的检测率可达90%以上,相比于抽样轨迹数据,携带的交通信息更加丰富,因此,实现基于电警卡口数据的全参数交叉口配时方案估计方法对于补充配时估计的研究具有重要的理论和现实意义。
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基于电警卡口数据的交叉口配时方案估计方法。
本发明的目的可以通过以下技术方案来实现:
一种基于电警卡口数据的交叉口配时方案估计方法,包括以下步骤:
1)构建交叉口配时方案估计的双层规划问题模型,其中,上层规划目标为周期和相位差估计误差最小化,下层规划目标为周期内相位结构和各相位绿信比的估计误差最小化;
2)基于交叉口所有受控流向所在车道的电警卡口检测器的过车数据,获取周期长度、相位差以及绿信比估计的约束条件;
3)针对受控流向所有可能的相位组合,定义表征直行流向和左转流向绿灯时间的启亮顺序和绿灯长度关系的哑变量,获得相位结构的约束条件;
4)结合周期长度、相位差、相位结构和绿信比估计的约束条件,采用最小二乘法求解交叉口配时方案估计的双层规划问题,得到最终估计的配时方案。
所述的步骤2)具体包括以下步骤:
21)获取进口道i流向j车道k的车头时距序列{hi,j,k,l};
22)对车头时距序列{hi,j,k,l}内的车头时距数值进行k-means聚类为两类Cluster1和Cluster 2,其中,Cluster 1表示与前车的车头时距较大的一类,Cluster 2表示车头时距明显小于Cluster 1的车辆,定义用于表征车辆所属的类别标签的二项变量si,j,k,l,其表达式为:
23)以类别标签的二项变量si,j,k,l为上标,将电警过车点序列内的所有点分为对应Cluster 1和Cluster 2的两个点集和分别获取周期长度C的可行域以及相位差的取值区间,即周期长度和相位差估计的约束条件;
24)根据周期长度的取值获取绿信比的取值范围,即绿信比估计的约束条件,则有:
tmin≤tij<C
其中,tij为进口道i流向j的绿灯相位时长,tmin为相位最小值。
所述的步骤21)中,进口道i流向j车道k的车头时距序列{hi,j,k,l}的表达式为:
hi,j,k,l=pi,j,k,l-pi,j,k,l-1,l>1
pi,j,k,l、pi,j,k,l-1∈{pi,j,k,l}
其中,{pi,j,k,l}为在一个TOD时段内,进口道i流向j车道k的电警过车点序列,i为进口道编号,且i={1,2,3,4},分别代表东、西、南、北进口道,j为流向编号且j={1,2},其中,j取值1表示直行流向,取值2表示左转流向,k为流向j所在的车道编号,l为通过的车辆编号,pi,j,k,l、pi,j,k,l-1分别为进口道i流向j车道k第l和l-1辆车辆的电警过车点。
所述的步骤23)中,按照过车时刻的大小升序对点集中的车辆进行排列,将相邻过车时刻的差值作为周期长度C的可能取值,综合所有的受控流向的点集可得到周期长度的取值区间,同时结合实际工程应用中的周期上下界,取两者交集可得到周期长度的可行域,则有:
其中,Cmin,Cmax为信号控制实践中的常用阈值。
所述的信号控制实践中的常用阈值Cmin,Cmax取值为60s和200s。
所述的步骤23)中,将各流向的点集的第一个数值作为相位差的初始值,当周期长度为取值区间中任一值时,相位差对应的取值区间则为点集内所有数值与相位差初始值之差除以周期长度的余数值,即为相位差的取值区间,则有:
其中,xp为周期为C时每个周期范围内的属于Cluster 1的过车点的最小值,通常为该周期经过停车线的头车,为进口道i流向j第n个周期的起点时刻,为进口道i流向j第1个周期的起点时刻,n为周期编号,Δi,j表示相位差。
所述的步骤3)中,表征直行流向和左转流向绿灯时间的启亮顺序的哑变量μi以及直行流向和左转流向绿灯长度关系的哑变量λi的表达式为:
所述的步骤3)中,根据定义的哑变量,对13种相位结构下的相位先后关系和时长大小关系进行建模,得到一般化的相位结构约束条件,则有:
[μaμb(1+μa)(1+μb)+(1+μa)(1+μb)(1-μa)(1-μb)+μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)](ta1-tb1)=0
[μaμb(1+μa)(1+μb)+(1+μa)(1+μb)(1-μa)(1-μb)+μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)](ta2-tb2)=0
μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)(ta1-ta2)=0
μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)(tb1-tb2)=0
(1-μa)(1-μb)(1+μa)(1+μb)(ta1-tb1-ta2+tb2)=0
μaμb(1+μa)(1+μb)(ta2-tb2-ta1+tb1)=0
μb(1-μb)[(1+μa)(1-μa)λaλb(1+λa)(1+λb)+μa(1+μa)(1-λa)(1-λb)(1+λa)(1+λb)](tb1-tb2-ta1+ta2)=0
定义二项变量δ,用以表征东西流向相位和南北流向相位的先后关系,其表达式为:
其中,下标a,b表示一组相对的进口道,比如东西进口道(或者南北进口道),因为东西进口道和南北进口道的相位结构均需满足上述约束,若a=1,则b=2;若a=3,则b=4,分别表示东、西、南、北四个进口道第n个周期流向j的绿灯起始时刻。
在双层规划问题模型中,上层规划目标W1为周期和相位差估计误差最小化,即各周期内的过车点群只有一个,且尽可能不被周期边界分割,下层规划目标W2为周期内相位结构和各相位绿信比的估计误差最小化,即周期内过车点群的首车过车时刻减去启动延误后与绿灯启亮时刻估计值的差值最小,且过车时刻点群应尽量被估计的绿灯区间覆盖。
所述的双层规划问题模型的具体表达式为:
tmin≤tij<C
其中,card(·)表示取集合内元素个数的运算符,Psp(xp)表示两个相邻周期第一辆通过车辆的过车点之间的车辆过车点集合,D为TOD时段的时长,I为进口道下标的集合,且I={1,2,3,4},J为受控流向下标的集合,且J={1,2},为正整数的数学符号,dstart为绿灯相位启亮时排队车辆首车的启动延误。
与现有技术相比,本发明具有以下优点:
一、全参数估计:本发明对固定配时的交叉口的所有配时参数,包括周期长度、相位差、相位结构和各相位的绿灯时长的估计是一次性得到的,相比于现有估计方法只估计单流向的配时参数,本发明考虑了相位之间的冲突关系以及相邻相位起讫点的首尾相接关系,可以避免只估计单流向绿灯时长出现的过估计误差,抗噪性较高。
二、估计精度高:本发明以电警卡口数据为唯一的数据输入,通过数据驱动的概率统计方法将配时估计问题转化为相位边界的最佳匹配问题,电警数据的高检测率相比于轨迹数据驱动的方法在保证高精度的同时可缩短输入数据的时间跨度,且减少了标定停车线导致的误差,可靠性较优。
三、适用性广:本发明采用的是电警卡口数据作为输入,在车辆自动识别技术普及的背景下,中国大多数城市均具有全车道布设有电警检测器的交叉口检测环境,而且电警检测率高,因此该方法的普适性较强,适用范围广。
附图说明
图1为一组相对流向的所有可能的相位结构组合。
图2为实证验证场景及配时图。
图3为基于本发明得到的相位结构估计值与实证场景的相位结构对比图。
图4为本发明的方法流程图。
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。
实施例
如图4所示,本发明提供一种基于卡口电警数据的交叉口配时方案估计方法,包括以下步骤:
1)获取交叉口所有受控流向所在车道的电警卡口检测器的过车数据,预处理得到所有受控流向的车头时距序列以及车辆的到达特征向量,通过对车头时距序列进行k-means聚类得到周期长度的粗估计值和相应的初始周期过车点集,定义周期长度和相位差估计的约束;
2)针对受控流向的所有可能的相位组合,通过定义表征直行流向和左转流向绿灯时间的启亮顺序和绿灯长度关系的哑变量,得到相位结构估计的约束条件;
3)将配时方案估计估计问题建模为双层规划问题,上层规划目标为周期和相位差估计误差最小化,下层规划目标为周期内相位结构和各相位绿信比的估计误差最小化。基于车辆到达特征向量推导得到双层规划的目标函数,并结合配时方案参数(周期长度、相位差、相位结构、绿信比)的约束建立优化模型,通过最小二乘法求解。
步骤1)中,在一个TOD时段内,定义进口道i流向j车道k的电警过车点序列为:
{pi,j,k,l}
其中,i为进口道编号,且i={1,2,3,4},分别代表东、西、南、北进口道,j为流向编号且j={1,2},其中1表示直行流向,2表示左转流向;k为流向j所在的车道编号,l为通过的车辆编号。
由过车点序列,可计算得到进口道i流向j车道k的车头时距序列{hi,j,k,l}如下:
hi,j,k,l=pi,j,k,l-pi,j,k,l-1,l>1
对车头时距序列集内的车头时距数值进行k-means聚类分为两类Cluster 1和Cluster 2,其中Cluster 1表示与前车的车头时距较大的一类,一般为绿灯相位检测到的第一辆车,而Cluster 2表示车头时距明显小于Cluster 1的车辆。定义二项变量si,j,k,l,用于表征车辆所属的类别标签,其表达式为:
将si,j,k,l作为上标,可以把过车点序列分为对应Cluster 1和Cluster 2的两个点集和对的车辆按照其过车时刻的大小按升序排列,并且计算相邻过车时刻的差值,作为周期长度的可能取值,综合所有的受控流向的集合可得到周期长度的取值区间,考虑实际工程应用中的周期上下界,取两者交集可得到周期长度的可行域。各流向的点集的第一个数值则作为相位差的初始值,当周期长度为取值区间中任一值时,相位差对应的取值区间则为数集内所有数值与相位差初始值之差除以周期长度的余数值,即为相位差的取值区间。
周期长度C的具体表达式为:
其中,Cmin,Cmax为信号控制实践中常用的阈值,一般取60s和200s。
将绿灯相位起点作为周期起点,基于初始的相位差值,对任一周期长度值,各周期起点为:
其中,xp为周期为C时每个周期范围内的属于Cluster 1的过车点的最小值,通常为该周期经过停车线的头车,为进口道i流向j第n个周期的起点时刻,为进口道i流向j第1个周期的起点时刻,n为周期编号,Δi,j表示相位差。
步骤2)中,考虑到所有流向的绿灯起讫点在不同的相位结构下具有不同的解析关系,且相邻相位边界首尾相接,对相位结构和绿灯时长估计具有较强的约束作用。以标准的四肢交叉口为例,南北进口道和东西进口道的相位结构组合具有同质性,因此以东西流向的相位结构组合为例对相位结构的约束条件进行建模,同理可得到南北流向的约束条件。如图1所示,东西进口道共有四个受信号控制的流向,其相位结构组合共有13种。定义哑变量μi,表征同一进口道直行流向和左转流向绿灯启亮时间的先后顺序,定义哑变量λi,表征同一进口道直行流向和左转流向的绿灯长度的大小关系,其表达式如下:
对13中相位结构下的相位先后关系和时长大小关系进行建模,可以得到一般化的相位结构约束条件如下:
[μaμb(1+μa)(1+μb)+(1+μa)(1+μb)(1-μa)(1-μb)+μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)](ta1-tb1)=0
[μaμb(1+μa)(1+μb)+(1+μa)(1+μb)(1-μa)(1-μb)+μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)](ta2-tb2)=0
μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)(ta1-ta2)=0
μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)(tb1-tb2)=0
(1-μa)(1-μb)(1+μa)(1+μb)(ta1-tb1-ta2+tb2)=0
μaμb(1+μa)(1+μb)(ta2-tb2-ta1+tb1)=0
μb(1-μb)[(1+μa)(1-μa)λaλb(1+λa)(1+2b)+μa(1+μa)(1-λa)(1-λb)(1+λa)(1+λb)](tb1-tb2-ta1+ta2)=0
μa(1-μa)[(1+μb)(1-μb)λaλb(1+λa)(1+λb)+μb(1+μb)(1-λa)(1-λb)(1+λa)(1+λb)](ta1-ta2-tb1+tb2)=0
定义二项变量δ表征东西流向相位和南北流向相位的先后关系,其表达式如下:
其中,下标a,b表示一组相对的进口道,比如东西进口道(或者南北进口道),因为东西进口道和南北进口道的相位结构均需满足上述约束,若a=1,则b=2;若a=3,则b=4,分别表示东、西、南、北四个进口道第n个周期流向j的绿灯起始时刻。
步骤3)中,将配时方案估计估计问题建模为双层规划问题,上层规划目标W1为周期和相位差估计误差最小化,即各周期内的过车点群只有一个,且尽可能不被周期边界分割;下层规划目标W2为周期内相位结构和各相位绿信比的估计误差最小化,即周期内过车点群的首车过车时刻减去启动延误后与绿灯启亮时刻估计值的差值最小,且过车时刻点群应尽量被估计的绿灯区间覆盖。其表达式如下:
tmin≤tij<C
其中,card(·)表示取集合内元素个数的运算符,Psp(xp)表示两个相邻周期第一辆通过车辆的过车点之间的车辆过车点集合,D为TOD时段的时长,I为进口道下标的集合,I={1,2,3,4},J为受控流向下标的集合,J={1,2},为正整数的数学符号,dstart为绿灯相位启亮时排队车辆首车的启动延误,tmin表示相位最小值,一般取最小行人过街时间。
结合步骤1和2中对参数周期长度、相位差、相位结构、绿信比的约束条件,通过最小二乘法求解双层规划可得到最终估计的配时方案。
4)通过实证数据对交叉口配时方案估计方法进行验证。
本发明通过实证案例对交叉口配时方案估计方法进行验证,图2是常州市清潭中路和劳动西路的交叉口。验证时段为2020年6月10日7:00—16:30,在验证时段内共包括三个TOD时段,即需要估计三套配时方案。将对应时段内的所有受控流向的车道的电警数据作为输入,对该发明的估计效果进行评估,并采用平均绝对误差(MAE)作为相位差估计的评估指标,采用平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为相位绿灯时长的评估指标,对估计结果进行量化。
表1各流向绿灯时长估计结果对比
由图3的相位结构估计对比和表1的结果可知,实施例中本发明得到的周期长度估计精度为100%,相位结构估计也与实际方案相同,相位差平均估计误差为9.3s,绿灯时长的平均绝对误差(MAE)为2.5s,平均绝对百分比误差(MAPE)为8.05%,总体来看估计精度较高。
Claims (2)
1.一种基于电警卡口数据的交叉口配时方案估计方法,其特征在于,包括以下步骤:
1)构建交叉口配时方案估计的双层规划问题模型,其中,上层规划目标为周期和相位差估计误差最小化,下层规划目标为周期内相位结构和各相位绿信比的估计误差最小化;
2)基于交叉口所有受控流向所在车道的电警卡口检测器的过车数据,获取周期长度、相位差以及绿信比估计的约束条件,具体包括以下步骤:
21)获取进口道i流向j车道k的车头时距序列{hi,j,k,l},进口道i流向j车道k的车头时距序列{hi,j,k,l}的表达式为:
hi,j,k,l=pi,j,k,l-pi,j,k,l-1,l>1
pi,j,k,l、pi,j,k,l-1∈{pi,j,k,l}
其中,{pi,j,k,l}为在一个TOD时段内,进口道i流向j车道k的电警过车点序列,i为进口道编号,且i={1,2,3,4},分别代表东、西、南、北进口道,j为流向编号且j={1,2},其中,j取值1表示直行流向,取值2表示左转流向,k为流向j所在的车道编号,l为通过的车辆编号,pi,j,k,l、pi,j,k,l-1分别为进口道i流向j车道k第l和l-1辆车辆的电警过车点;
22)对车头时距序列{hi,j,k,l}内的车头时距数值进行k-means聚类为两类Cluster1和Cluster 2,其中,Cluster 1表示与前车的车头时距较大的一类,Cluster 2表示车头时距明显小于Cluster 1的车辆,定义用于表征车辆所属的类别标签的二项变量si,j,k,l,其表达式为:
23)以类别标签的二项变量si,j,k,l为上标,将电警过车点序列内的所有点分为对应Cluster 1和Cluster 2的两个点集和分别获取周期长度C的可行域以及相位差的取值区间,分别作为周期长度和相位差估计的约束条件,按照过车时刻的大小升序对点集中的车辆进行排列,将相邻过车时刻的差值作为周期长度C的可能取值,综合所有的受控流向的点集可得到周期长度的取值区间,同时结合实际工程应用中的周期上下界,取两者交集可得到周期长度的可行域,则有:
其中,Cmin,Cmax为信号控制实践中的常用阈值;
24)根据周期长度的取值获取绿信比的取值范围,即绿信比估计的约束条件,则有:
tmin≤tij<C
其中,tij为进口道i流向j的绿灯相位时长,tmin为相位最小值;
3)针对受控流向所有可能的相位组合,定义表征直行流向和左转流向绿灯时间的启亮顺序和绿灯长度关系的哑变量,获得相位结构的约束条件,表征直行流向和左转流向绿灯时间的启亮顺序的哑变量μi以及直行流向和左转流向绿灯长度关系的哑变量λi的表达式为:
根据定义的哑变量,对相位结构下的相位先后关系和时长大小关系进行建模,得到相位结构约束条件,则有:
[μaμb(1+μa)(1+μb)+(1+μa)(1+μb)(1-μa)(1-μb)+μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)](ta1-tb1)=0
[μaμb(1+μa)(1+μb)+(1+μa)(1+μb)(1-μa)(1-μb)+μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)](ta2-tb2)=0
μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)(ta1-ta2)=0
μaμbλaλb(1-μa)(1-μb)(1-λa)(1-λb)(tb1-tb2)=0
(1-μa)(1-μb)(1+μa)(1+μb)(ta1-tb1-ta2+tb2)=0
μaμb(1+μa)(1+μb)(ta2-tb2-ta1+tb1)=0
μb(1-μb)[(1+μa)(1-μa)λaλb(1+λa)(1+λb)+μa(1+μa)(1-λa)(1-λb)(1+λa)(1+λb)](tb1-tb2-ta1+ta2)=0
μa(1-μa)[(1+μb)(1-μb)λaλb(1+λa)(1+λb)+μb(1+μb)(1-λa)(1-λb)(1+λa)(1+λb)](ta1-ta2-tb1+tb2)=0
定义二项变量δ,用以表征东西流向相位和南北流向相位的先后关系,其表达式为:
4)结合周期长度、相位差、相位结构和绿信比估计的约束条件,采用最小二乘法求解交叉口配时方案估计的双层规划问题,得到最终估计的配时方案;
在双层规划问题模型中,上层规划目标W1为周期和相位差估计误差最小化,即各周期内的过车点群只有一个,下层规划目标W2为周期内相位结构和各相位绿信比的估计误差最小化,即周期内过车点群的首车过车时刻减去启动延误后与绿灯启亮时刻估计值的差值最小,所述的双层规划问题模型的具体表达式为:
tmin≤tij<C
2.根据权利要求1所述的一种基于电警卡口数据的交叉口配时方案估计方法,其特征在于,所述的信号控制实践中的常用阈值Cmin,Cmax取值为60s和200s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034716.5A CN112201061B (zh) | 2020-09-27 | 2020-09-27 | 一种基于电警卡口数据的交叉口配时方案估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034716.5A CN112201061B (zh) | 2020-09-27 | 2020-09-27 | 一种基于电警卡口数据的交叉口配时方案估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112201061A CN112201061A (zh) | 2021-01-08 |
CN112201061B true CN112201061B (zh) | 2021-09-03 |
Family
ID=74006993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011034716.5A Active CN112201061B (zh) | 2020-09-27 | 2020-09-27 | 一种基于电警卡口数据的交叉口配时方案估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112201061B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113257017B (zh) * | 2021-06-25 | 2021-10-29 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交叉口信号配时方案的估算方法、装置和终端 |
CN114023085B (zh) * | 2021-11-04 | 2023-03-21 | 中山大学 | 一种基于卡口检测数据的交叉口信号配时参数推断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281685A (zh) * | 2008-01-30 | 2008-10-08 | 吉林大学 | 区域混合交通自适应信号协调控制方法 |
CN102280036A (zh) * | 2011-05-30 | 2011-12-14 | 吉林大学 | 干线协调控制下快速公交信号优先配时方法 |
CN105374216A (zh) * | 2014-08-06 | 2016-03-02 | 王大海 | 在待行区内几乎不停车的信号控制方法、系统和设备 |
CN107705592A (zh) * | 2017-10-24 | 2018-02-16 | 上海理工大学 | 面向紧急救援车辆行驶路径的交通信号协调控制优化方法 |
US10037693B2 (en) * | 2015-01-14 | 2018-07-31 | Yeong Geun RYU | Detection area setting method for detecting passing vehicles, and traffic signal control method using same |
CN109035766A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法 |
US10572741B2 (en) * | 2017-08-17 | 2020-02-25 | National Applied Research Laboratories | Image-based vehicle classification system |
CN111127889A (zh) * | 2019-12-24 | 2020-05-08 | 银江股份有限公司 | 一种基于车流到达时间预测的连续交叉口协同优化方法 |
-
2020
- 2020-09-27 CN CN202011034716.5A patent/CN112201061B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281685A (zh) * | 2008-01-30 | 2008-10-08 | 吉林大学 | 区域混合交通自适应信号协调控制方法 |
CN102280036A (zh) * | 2011-05-30 | 2011-12-14 | 吉林大学 | 干线协调控制下快速公交信号优先配时方法 |
CN105374216A (zh) * | 2014-08-06 | 2016-03-02 | 王大海 | 在待行区内几乎不停车的信号控制方法、系统和设备 |
US10037693B2 (en) * | 2015-01-14 | 2018-07-31 | Yeong Geun RYU | Detection area setting method for detecting passing vehicles, and traffic signal control method using same |
US10572741B2 (en) * | 2017-08-17 | 2020-02-25 | National Applied Research Laboratories | Image-based vehicle classification system |
CN107705592A (zh) * | 2017-10-24 | 2018-02-16 | 上海理工大学 | 面向紧急救援车辆行驶路径的交通信号协调控制优化方法 |
CN109035766A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法 |
CN111127889A (zh) * | 2019-12-24 | 2020-05-08 | 银江股份有限公司 | 一种基于车流到达时间预测的连续交叉口协同优化方法 |
Non-Patent Citations (2)
Title |
---|
Trajectory-based identification of critical instantaneous decision events at mixed-flow;Tang, Keshuang 等;《Accident Analysis and Prevention》;20190228;第123卷;第324-335页 * |
基于电警数据的交叉口短车道排队溢出识别;吴浩 等;《第十三届中国智能交通年会大会论文集》;20181107;第544-554页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112201061A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272756B (zh) | 一种信控交叉口排队长度估计方法 | |
CN112201061B (zh) | 一种基于电警卡口数据的交叉口配时方案估计方法 | |
CN108399741B (zh) | 一种基于实时车辆轨迹数据的交叉口流量估计方法 | |
CN108399740B (zh) | 一种信号控制交叉口机动车冲突概率预测方法 | |
CN109544916B (zh) | 一种基于抽样轨迹数据的路网车辆od估计方法 | |
CN109254861B (zh) | 基于轨迹数据的od需求提取及其可靠性分析方法 | |
CN110838232A (zh) | 基于过车电警数据的单一车辆od获取方法 | |
CN110175507B (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
CN111275975B (zh) | 一种交叉口转向流量数据的获取方法、装置和存储介质 | |
CN110796858A (zh) | 一种基于视频过车数据的车辆轨迹预测方法及系统 | |
Necula | Dynamic traffic flow prediction based on GPS data | |
CN113380036B (zh) | 一种基于电子警察数据的排队长度计算方法 | |
CN114239371A (zh) | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 | |
CN111932915A (zh) | 一种基于到达时间步进式预测的公交右转合乘信号优先方法 | |
CN113380027A (zh) | 一种基于多源数据的交叉口交通状态参数估计方法及系统 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN111815973B (zh) | 信号交叉口分析方法及相关设备 | |
CN108269400B (zh) | 一种主干路信号控制交叉口延误估算方法及装置 | |
CN112116813B (zh) | 状态识别模型建立方法、道路交通状态识别方法及装置 | |
CN110675631A (zh) | 一种交通流溯源分析方法及系统 | |
CN101976508A (zh) | 基于车牌识别数据的交通信号干线相位差优化方法 | |
CN113763707A (zh) | 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 | |
CN114023085B (zh) | 一种基于卡口检测数据的交叉口信号配时参数推断方法 | |
CN113538902B (zh) | 基于交通状态的交叉口车辆轨迹数据修复方法 | |
CN113470343B (zh) | 阻断道路的开通检测方法、装置、设备及存储介质 |
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 |