CN112330135A - 基于改进元胞自动机模型的城市交通拥堵空间演化方法 - Google Patents

基于改进元胞自动机模型的城市交通拥堵空间演化方法 Download PDF

Info

Publication number
CN112330135A
CN112330135A CN202011203234.8A CN202011203234A CN112330135A CN 112330135 A CN112330135 A CN 112330135A CN 202011203234 A CN202011203234 A CN 202011203234A CN 112330135 A CN112330135 A CN 112330135A
Authority
CN
China
Prior art keywords
vehicle
vehicles
congestion
traffic
length
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
CN202011203234.8A
Other languages
English (en)
Other versions
CN112330135B (zh
Inventor
岳顺
蔡东健
范占永
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.)
Yuance Information Technology Co ltd
Original Assignee
Nanjing Grid Smart City Technology Co ltd
Suzhou Industrial Park Surveying Mapping And Geoinformation Co ltd
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 Nanjing Grid Smart City Technology Co ltd, Suzhou Industrial Park Surveying Mapping And Geoinformation Co ltd filed Critical Nanjing Grid Smart City Technology Co ltd
Priority to CN202011203234.8A priority Critical patent/CN112330135B/zh
Publication of CN112330135A publication Critical patent/CN112330135A/zh
Application granted granted Critical
Publication of CN112330135B publication Critical patent/CN112330135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Organic Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于改进元胞自动机模型的城市交通拥堵空间演化方法，包括加速、减速判断、运动和拥堵长度计算，增加标准车当量数的折算、随机车造成拥堵、对慢化概率的改进和优化，得出了本发明的改进元胞自动机模型的城市交通拥堵空间演化方法。与传统的元胞自动机模型相比，改进后的模型能更加精确地、稳定地反映交通事故造成的道路拥堵情况，为交通管理部门处理交通事故提供支撑和帮助。

Description

基于改进元胞自动机模型的城市交通拥堵空间演化方法
技术领域
本发明涉及城市交通拥堵领域，尤其涉及基于改进元胞自动机模型的城市交通拥堵空间演化方法。
背景技术
随着国民经济的快速发展，人们的车辆保有量持续增长，交通事故发生率也越来越高，交通事故造成的交通拥堵也越来越影响人们的日常生活。如何高效、准确的预测交通事故发生之后的拥堵情况，为交通管理部门提供决策支持越来越重要。国内外专家学者分别建立了不同的交通流模型研究交通拥堵的形成与传播，如排队模型、跟驰模型、到离曲线模型、累计到离曲线模型等。这些模型主要是从理论的角度描述交通流运行时的运动过程，通常是对研究的环境进行假设和简化，当面对复杂的交通环境，分析结果与实际值往往存在较大的偏差，无法得到有效的解析解，因此适用性不强。
因此，选择了元胞自动机(Cellular Automata，CA)模型来进行模拟和演化，现有的元胞自动机模型可以通过模拟车辆的运动特性预测出交通事故发生后道路的拥堵情况，但是预测精度较差，例如元胞自动机模型中的减速概率是定值，没有将司机的驾驶行为和周围的道路环境考虑在内，不能真实反映车辆的减速情况，而且在实际车流量分析过程中，交通警察只能提供道路口的车流量信息，而交通事故发生之后，车辆在道路旁的商场或小区等地方来回进进出出，对交通拥堵情况影响较为严重。
因此本发明专利发明人，针对上述技术问题，旨在发明一种基于改进元胞自动机模型的城市交通拥堵空间演化方法。
发明内容
为克服上述缺点，本发明的目的在于提供一种基于改进元胞自动机模型的城市交通拥堵空间演化方法。
为了达到以上目的，本发明采用的技术方案是：一种基于改进元胞自动机模型的城市交通拥堵空间演化方法，包括车辆演化规则，
在时间t→t+Δt的过程中的演化规则：
第一，加速：
vN(t+Δt)＝min(vN(t)+v0,vmax) (8)
N是经过标准车当量数折算后新的车辆数目，vN(t)为第N辆车的t时刻速度，vmax对应于现实中驾驶员期望的最大速度；
第二，根据公式(7)计算车辆减速的概率PN(t)，经过判断是否进行减速行驶：
Figure BDA0002756157220000021
PN(t)为改进后的慢化概率，P0是初始概率，xN(t)为第N辆车t时刻的位置，
Figure BDA0002756157220000022
在发生交通事故后，由于各种不确定因素概率PN(t)造成车辆减速，公式(9)表示当PN(t)>P0时，车辆会减速，当PN(t)≤P0时，车辆按照调整后的速度向前行驶；
第三，运动：
xN(t+1)＝xN(t)+vN(t)Δt (10)
xN(t)为第N辆车t时刻的位置，vN(t)为第N辆车的t时刻速度，Δt为变化时间。
第四，拥堵的长度：
Limprove-CA＝N×Δd-Lrand (11)
其中，Limprove-CA为改进后元胞自动机模型的拥堵长度，N为折算后的车辆数目，Δd为元胞长度，Lrand为随机车辆引起的拥堵长度；
Lrand(t)＝Loutput(t)-Linput(t) (6)
其中，Linput(t)为入口处相同周期的流量统计出随机出来的车流量所造成的拥堵情况，出口Loutput(t)为出口处相同周期的流量统计出随机出来的车流量所造成的拥堵情况。
优选地，所述Linput(t)和Loutput(t)根据如下公式计算：
L＝N×Δd
其中，L为拥堵长度，N为折算后的车辆数目，Δd为元胞长度。
优选地，经过标准车当量数折算后新的车辆数目N的折算方法，小客车为1，中型车为1.5，大型车为2。
本发明一种基于改进元胞自动机模型的城市交通拥堵空间演化方法的有益效果是，通过对标准车当量数，随机车流量造成的拥堵和慢化概率进行优化和改进，进而改进了元胞自动机模型，与传统的元胞自动机模型相比，改进后的模型能更加精确地、稳定地反映交通事故造成的道路拥堵情况，为交通管理部门处理交通事故提供支撑和帮助。
附图说明
图1为A路交通事故发生后道路的拥堵预测时间序列。
图2为B路交通事故发生后道路的拥堵预测时间序列。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
传统的元胞自动机拥堵预测模型
包括基本模型的建立，在交通流中元胞自动机预测模型的基本假设：
1)将交通流中的时间、空间以及速度都整数离散化；
2)道路被划分为等分的元胞，每个元胞的长度代表一段道路的长度，每个元胞的状态为空或者被一辆车占据；
3)每辆车的速度可以取v0，2v0，3v0，…，mv0，vmax＝mv0，vmax是最大速度；
4)换道条件：
Figure BDA0002756157220000041
*可取左、右两值，分别表示向左变道和向右变道，
Figure BDA0002756157220000042
为第n辆车与*车道前车之间空的距离(元胞数)，dsafe为确保不撞车的安全距离，一般取vmaxΔt，
Figure BDA0002756157220000043
表示元胞自动机拥堵预测模型更新一次的时间；
Figure BDA0002756157220000044
为第n辆车与*车道后车之间空的元胞数。
演化规则的建立：
元胞自动机拥堵预测模型在时间t→t+Δt的过程中的演化规则：
1)加速：
vn(t+Δt)＝min(vn(t)+v0,vmax) (2)
vn(t)为第n辆车的t时刻速度，n表示道路上车辆数目，vmax对应于现实中驾驶员期望的以最大的速度行驶；
2)确定随机慢化概率Pn(t)，经过判断是否进行减速行驶：
Figure BDA0002756157220000051
P0是预测模型的初始概率，Pn(t)是从0-1的呈正态分布的随机数，在发生交通事故后，由于各种不确定因素概率Pn(t)造成车辆减速，公式(3)表示当Pn(t)>P0时，车辆会减速，当Pn(t)≤P0时，车辆按照原速度继续行驶；
3)运动：
xn(t+1)＝xn(t)+vn(t)Δt (4)
xn表示第n辆车t时刻的位置；
4)拥堵的长度：
LCA＝n×Δd (5)
其中，LCA为拥堵长度，n为车辆数目，Δd为元胞长度。
此为传统的元胞自动机模型的预测规则，可以看出存在的缺点：减速概率是P0定值，没有将司机的驾驶行为和周围的道路环境考虑在内，不能真实反映车辆的减速情况。在实际车流量分析过程中，交通警察只能提供道路口的车流量信息。而交通事故发生之后，车辆在道路旁的商场或小区等地方来回进进出出，对交通拥堵情况影响较为严重。元胞自动机模型中的车辆都是标准汽车，未考虑到公交车、商务车等大型车辆，因此在应用中存在问题。
基于改进元胞自动机模型的城市交通拥堵空间演化方法
包括车辆演化规则，
在时间t→t+Δt的过程中的演化规则：
第一，加速：
vN(t+Δt)＝min(vN(t)+v0,vmax) (8)
N是经过标准车当量数折算后新的车辆数目，vN(t)为第N辆车的t时刻速度，vmax对应于现实中驾驶员期望的最大速度；
第二，根据公式(7)计算车辆减速的概率PN(t)，经过判断是否进行减速行驶：
Figure BDA0002756157220000061
PN(t)为改进后的慢化概率，P0是初始慢化概率，xN(t)为第N辆车t时刻的位置，
Figure BDA0002756157220000062
PN(t)是慢化概率，在发生交通事故后，由于各种不确定因素概率PN(t)造成车辆减速，公式(9)表示当PN(t)>P0时，车辆会减速，当PN(t)≤P0时，车辆按照调整后的速度向前行驶；
而且PN(t)是根据前后车辆的间距不断调整，当前后相邻辆车的距离逐渐减小时，车辆的减速概率变大，更能真实的反映交通事故发生后道路车辆的车速减速概率。
第三，运动：
xN(t+1)＝xN(t)+vN(t)Δt (10)
xN(t)为第N辆车t时刻的位置，vN(t)为第N辆车的t时刻速度，Δt为变化时间。
第四，拥堵的长度：
Limprove-CA＝N×Δd-Lrand (11)
其中，Limprove-CA为改进后元胞自动机模型的拥堵长度，N为折算后的车辆数目，Δd为元胞长度，Lrand为随机车辆引起的拥堵长度；
Lrand(t)＝Loutput(t)-Linput(t) (6)
其中，Linput(t)为入口处相同周期的流量统计出随机出来的车流量所造成的拥堵情况，出口Loutput(t)为出口处相同周期的流量统计出随机出来的车流量所造成的拥堵情况。
由于道路不是完全封闭的，道路旁边存在商场、道路支路、小区等不确定因素，路口的探头主要分布在主干道的交叉路口上，只能识别主干道上的交通车流量，不能完全代表道路上的全部车流量，而且这些随机车流量数据具有周期性，周期为一周，因此为了更加真实的符合实际车流量情况，提高模型预测的精度，发明人根据以往入口Linput(t)、出口Loutput(t)具有相同周期的流量统计出这些随机出来的车流量所造成的拥堵情况得出公式(6)。
所述Linput(t)和Loutput(t)根据如下公式计算：
L＝N×Δd
其中，L为拥堵长度，N为折算后的车辆数目，Δd为元胞长度。
传统的元胞自动机拥堵预测模型是将道路上所有的车都当成小客车进行处理，但实际上道路上不仅仅有小客车，还有中型车和大型车。为了更好的模拟道路上车辆的分布情况，本专利采用标准车当量数(Passenger Car Unit)，也被称之为当量交通量，即是将实际的各种机动车按一定的折算系数换算成某种标准车型的当量交通量，折算系数可以根据在我国在《公路工程技术标准》和《城市道路设计规范》的规定，规定见表1。
表1各汽车代表车型与车辆折算系数
汽车代表类型 车辆折算系数
小客车 1.0
中型车 1.5
大型车 2.0
即得到标准车当量数折算后新的车辆数目N的折算方法。
通过对标准车当量数，随机车流量造成的拥堵和慢化概率进行优化和改进，进而改进了元胞自动机模型，与传统的元胞自动机模型相比，改进后的模型能更加精确地、稳定地反映交通事故造成的道路拥堵情况，为交通管理部门处理交通事故提供支撑和帮助。提出了标准车当量数，将道路上的实际各种机动车按照一定的折算系数换算成标准车型，更加真实道路行驶车辆状态；提出随机车流量数据，弥补视频车流量的不足；提出改进慢化概率，更加真实反映交通事故发生之后车辆的行驶状态。
以下，结合具体的示例进行分析：
假设每个元胞的长度为Δd＝7.5m，车速取值为{0,ν0,2ν0,3ν0,4ν0},ν0＝15km/h，Δt＝1.8s，本专利根据从入口的流量数据，根据标准车当量数，将其流量数据转为标准车流量，作为参数，分别输入到传统的元胞自动机拥堵预测模型和改进的元胞自动机拥堵预测模型中，分别得到交通事故发生后道路的拥堵情况LCA、Limprove-CA，将两种模型的结果和真实的拥堵情况L做对比，结果参见附图1和2所示。
为了定量表示两种模型的预测精度和稳定性，将根据公式(12)(13)(14)(15)分别计算两种模型的预测精度σ和稳定性δ。
Figure BDA0002756157220000081
Figure BDA0002756157220000091
Figure BDA0002756157220000092
Figure BDA0002756157220000093
A路和B路的计算结果如表2所示。
表2预测精度和稳定性结果
Figure BDA0002756157220000094
从图1、2和表2预测精度和稳定值可以看出，元胞自动机预测模型和改进的元胞自动机都可以准确的预测出交通事故发生之后的道路拥堵情况，但是改进的元胞自动机预测模型比原始的元胞自动机预测精度更高，稳定性更好，可以更好地为交通管理部门处理交通事故提供决策支持。
以上实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所做的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (3)

1.基于改进元胞自动机模型的城市交通拥堵空间演化方法，其特征在于：包括车辆演化规则，在时间t→t+Δt的过程中的演化规则：
第一，加速：
vN(t+Δt)＝min(vN(t)+v0,vmax) (8)
N是经过标准车当量数折算后新的车辆数目，vN(t)为第N辆车的t时刻速度，vmax对应于现实中驾驶员期望的最大速度；
第二，根据公式(7)计算车辆减速的概率PN(t)，经过判断是否进行减速行驶：
Figure FDA0002756157210000011
PN(t)为改进后的慢化概率，P0是初始慢化概率，xN(t)为第N辆车t时刻的位置，
Figure FDA0002756157210000012
在发生交通事故后，由于各种不确定因素概率PN(t)造成车辆减速，公式(9)表示当PN(t)>P0时，车辆会减速，当PN(t)≤P0时，车辆按照调整后的速度向前行驶；
第三，运动：
xN(t+1)＝xN(t)+vN(t)Δt (10)
第四，拥堵的长度：
Limprove-CA＝N×Δd-Lrand (11)
其中，Limprove-CA为改进后元胞自动机模型的拥堵长度，N为折算后的车辆数目，Δd为元胞长度，Lrand为随机车辆引起的拥堵长度；
Lrand(t)＝Loutput(t)-Linput(t) (6)
其中，Linput(t)为入口处相同周期的流量统计出随机出来的车流量所造成的拥堵情况，出口Loutput(t)为出口处相同周期的流量统计出随机出来的车流量所造成的拥堵情况。
2.根据权利要求1所述的基于改进元胞自动机模型的城市交通拥堵空间演化方法，其特征在于：所述Linput(t)和Loutput(t)根据如下公式计算：
L＝N×Δd
其中，L为拥堵长度，N为折算后的车辆数目，Δd为元胞长度。
3.根据权利要求1所述的基于改进元胞自动机模型的城市交通拥堵空间演化方法，其特征在于：经过标准车当量数折算后新的车辆数目N的折算方法，小客车为1，中型车为1.5，大型车为2。
CN202011203234.8A 2020-11-02 2020-11-02 基于改进元胞自动机模型的城市交通拥堵空间演化方法 Active CN112330135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011203234.8A CN112330135B (zh) 2020-11-02 2020-11-02 基于改进元胞自动机模型的城市交通拥堵空间演化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011203234.8A CN112330135B (zh) 2020-11-02 2020-11-02 基于改进元胞自动机模型的城市交通拥堵空间演化方法

Publications (2)

Publication Number Publication Date
CN112330135A true CN112330135A (zh) 2021-02-05
CN112330135B CN112330135B (zh) 2023-12-26

Family

ID=74324186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011203234.8A Active CN112330135B (zh) 2020-11-02 2020-11-02 基于改进元胞自动机模型的城市交通拥堵空间演化方法

Country Status (1)

Country Link
CN (1) CN112330135B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299068A (zh) * 2021-05-28 2021-08-24 银江股份有限公司 一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统
CN115019508A (zh) * 2022-06-13 2022-09-06 华南理工大学 基于机器学习的道路监控车流仿真方法、装置、设备及介质
CN115330067A (zh) * 2022-08-18 2022-11-11 百度在线网络技术（北京）有限公司 一种交通拥堵预测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102359043A (zh) * 2011-10-15 2012-02-22 天津市市政工程设计研究院 基于二维元胞自动机模型的港区道路出入口间距确定方法
CN103077280A (zh) * 2013-01-12 2013-05-01 天津市市政工程设计研究院 面向大型车辆安全性的地下道路分合流区交通设计方法
CN106898143A (zh) * 2017-04-10 2017-06-27 合肥学院 一种无人驾驶汽车的交通流量建模方法
CN109543255A (zh) * 2018-11-07 2019-03-29 广东技术师范学院 一种双车道环形交叉口元胞自动机模型的构建方法
CN110009257A (zh) * 2019-04-17 2019-07-12 青岛大学 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102359043A (zh) * 2011-10-15 2012-02-22 天津市市政工程设计研究院 基于二维元胞自动机模型的港区道路出入口间距确定方法
CN103077280A (zh) * 2013-01-12 2013-05-01 天津市市政工程设计研究院 面向大型车辆安全性的地下道路分合流区交通设计方法
CN106898143A (zh) * 2017-04-10 2017-06-27 合肥学院 一种无人驾驶汽车的交通流量建模方法
CN109543255A (zh) * 2018-11-07 2019-03-29 广东技术师范学院 一种双车道环形交叉口元胞自动机模型的构建方法
CN110009257A (zh) * 2019-04-17 2019-07-12 青岛大学 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李杰;杨晓芳;付强;: "分析驾驶行为的快速路交通流元胞自动机模型", 物流科技, no. 12, pages 63 - 67 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299068A (zh) * 2021-05-28 2021-08-24 银江股份有限公司 一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统
CN115019508A (zh) * 2022-06-13 2022-09-06 华南理工大学 基于机器学习的道路监控车流仿真方法、装置、设备及介质
CN115019508B (zh) * 2022-06-13 2023-09-29 华南理工大学 基于机器学习的道路监控车流仿真方法、装置、设备及介质
CN115330067A (zh) * 2022-08-18 2022-11-11 百度在线网络技术（北京）有限公司 一种交通拥堵预测方法、装置、电子设备及存储介质
CN115330067B (zh) * 2022-08-18 2023-08-15 百度在线网络技术（北京）有限公司 一种交通拥堵预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112330135B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN109345020B (zh) 一种完全信息下的无信号交叉口车辆驾驶行为预测方法
CN112330135B (zh) 基于改进元胞自动机模型的城市交通拥堵空间演化方法
CN105741551A (zh) 一种无信号交叉口交通安全评价方法
CN111243338A (zh) 基于车辆加速度的碰撞风险评价方法
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN108986461B (zh) 一种基于时间的交叉路口车辆碰撞概率分析方法
Hu et al. Research on the influence of bus bay on traffic flow in adjacent lane: Simulations in the framework of Kerner’s three-phase traffic theory
CN110728772A (zh) 一种有轨电车典型行驶工况构建方法
CN101941449A (zh) 城市轨道交通出入段线能力分析方法及系统
Ji et al. Estimating the social gap with a game theory model of lane changing
Wang et al. Effectiveness of driver's bounded rationality and speed guidance on fuel-saving and emissions-reducing at a signalized intersection
CN102505593B (zh) 出入口纵深长度确定方法
Wei et al. Modeling Car‐Following Behaviour of Turning Movements at Intersections with Consideration of Turning Radius
CN114582127A (zh) 一种交通流模型仿真方法、系统和异常交通事件预测方法
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
CN115936541A (zh) 一种安全道路推荐方法及设备
CN114820216A (zh) 一种行车风险量化方法、分级方法及预测方法
Liu et al. Prediction of electric vehicle energy consumption in an intelligent and connected environment
CN116612660B (zh) 一种高速公路改扩建施工区车辆冲突预警方法及设备
Liu et al. Eco-speed optimization model for active rear-end collision avoidance of connected and automated vehicles on freeways
Dong et al. Impact of Lane-Changing Behavior on Surrounding On-Line Bus Stops Based on Cellular Automation Model
Wu et al. Study on Density Conditions for Setting Intermittent Bus Lanes
CN114944055B (zh) 基于电子收费门架的高速公路碰撞风险动态预测方法
Chang ADVANCE-F's car-following policy on vehicle cruise and automatic speed control
Huang A Model to Analyze the Design of the Toll Plaza

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant after: Yuance Information Technology Co.,Ltd.

Applicant after: Nanjing grid Smart City Technology Co.,Ltd.

Address before: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant before: SUZHOU INDUSTRIAL PARK SURVEYING MAPPING AND GEOINFORMATION Co.,Ltd.

Applicant before: Nanjing grid Smart City Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231124

Address after: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant after: Yuance Information Technology Co.,Ltd.

Address before: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant before: Yuance Information Technology Co.,Ltd.

Applicant before: Nanjing grid Smart City Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant