CN112396829A - 一种基于正向雷达数据的交叉口拥堵指数计算方法 - Google Patents

一种基于正向雷达数据的交叉口拥堵指数计算方法 Download PDF

Info

Publication number
CN112396829A
CN112396829A CN202011047711.6A CN202011047711A CN112396829A CN 112396829 A CN112396829 A CN 112396829A CN 202011047711 A CN202011047711 A CN 202011047711A CN 112396829 A CN112396829 A CN 112396829A
Authority
CN
China
Prior art keywords
intersection
congestion
state
calculation model
headway
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
CN202011047711.6A
Other languages
English (en)
Other versions
CN112396829B (zh
Inventor
江超阳
程健
张俊
郝建根
朱昂
穆健
王军
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.)
Nanjing LES Information Technology Co. Ltd
Original Assignee
Nanjing LES Information Technology 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 LES Information Technology Co. Ltd filed Critical Nanjing LES Information Technology Co. Ltd
Priority to CN202011047711.6A priority Critical patent/CN112396829B/zh
Publication of CN112396829A publication Critical patent/CN112396829A/zh
Application granted granted Critical
Publication of CN112396829B publication Critical patent/CN112396829B/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
    • 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
    • G08G1/0125—Traffic data processing
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于正向雷达数据的交叉口拥堵指数计算方法，如下：对路口状态按照拥堵程度进行分级；绘制车头时距实际特性曲线，并设置车头时距阈值；绘制绿灯后排满所需时间实际特性曲线，并设置绿灯后排满时间阈值；路口状态一次识别；建路口三个状态的计算模型；路口状态二次识别；构建路口拥堵指数分段计算模型：畅通状态计算模型、基本畅通状态计算模型、轻度拥堵状态计算模型、中度拥堵状态计算模型、严重拥堵状态计算模型。本发明的方法统计并分析平均车头时距和绿灯后排满所需时间，并根据两项数据的各自特征融合后提出路口级拥堵指数分段计算模型，更加贴合路口本身的交通状态。

Description

一种基于正向雷达数据的交叉口拥堵指数计算方法
技术领域
本发明属于交通数据处理技术领域，具体指代一种基于正向雷达数据的交叉口拥堵指数计算方法。
背景技术
随着城市机动车保有量的持续增长，交通拥堵时有发生。及时识别路口所处状态是效益评估的必需要求，亦是智能控制的前提条件。同时，随着正向雷达检测设备的更新迭代，在原始检测数据的基础上挖掘更多交通参数具有实现的可能性。如何充分使用检测数据来更精确的描述路口的交通运行状态已成为一个亟待解决的问题。
目前的拥堵指数计算方法基本是针对路段提出，缺少路口级的指数评价。路口级拥堵指数计算方法，大多是采取单个交通参数计算。然而这些行业现有的交通参数在不同路口状态下可能是相同的数值，尚未发现可用的交通参数与路口拥堵程度呈正相关或负相关的关系，因此无法直接使用单个参数表征路口拥堵指数。此外，一些路口拥堵指数计算方法采用多个参数取平均的方式，简单的平均处理无法解决交通参数本身不与路口状态呈正相关或负相关的问题，也忽略了各类交通参数的特征关联分析。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于正向雷达数据的交叉口拥堵指数计算方法，本发明的方法统计并分析平均车头时距和绿灯后排满所需时间，并根据两项数据的各自特征融合后提出路口级拥堵指数分段计算模型，更加贴合路口本身的交通状态。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于正向雷达数据的交叉口拥堵指数计算方法，步骤如下：
1)对路口状态按照拥堵程度进行分级，划分五个等级，并确定对应指数级别区间；
2)绘制车头时距实际特性曲线，并设置车头时距阈值；
3)绘制绿灯后排满所需时间实际特性曲线，并设置绿灯后排满时间阈值；
4)路口状态一次识别：根据所述车头时距阈值及排满时间阈值对路口状态进行一次识别，识别出畅通、严重拥堵两种状态，以及基本畅通+轻度拥堵+中度拥堵的混合状态；
5)构建路口三个状态的计算模型：畅通状态计算模型、严重拥堵状态计算模型，以及基本畅通+轻度拥堵+中度拥堵混合状态计算模型；
6)路口状态二次识别：根据上述步骤5)的模型结果及指数取值范围，识别出畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵；
7)构建路口拥堵指数分段计算模型：畅通状态计算模型、基本畅通状态计算模型、轻度拥堵状态计算模型、中度拥堵状态计算模型、严重拥堵状态计算模型。
进一步地，所述步骤1)中路口状态按照拥堵程度划分为五个等级，分别是畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵，各自对应的指数级别分别为(0，2)、(2，4)、(4，6)、(6，8)、(8，10)。
进一步地，所述严重拥堵状态包含路口溢出，检测到路口溢出时拥堵指数为10。
进一步地，所述步骤2)中的车头时距为同向行驶的两个连续车辆，前车车头与后车车头通过路口检测位置的时间间隔。
进一步地，所述步骤2)具体包括：根据车头时距变化特性，绘制实际特性曲线，并选取曲线拐点作为车头时距阈值h0。
进一步地，所述车头时距变化特性为：随着路口内车辆数量增加，路口拥堵程度逐渐增加，平均车头时距逐渐变小；当路口内车辆数量超过一定程度时，路口拥堵程度增加，行车效率的相互影响平均车头时距逐渐变大；当路口内车辆数量继续增加，直至发生溢出，路口通过的车辆数少，过车时间具有随机性和不确定性，此时的平均车头时距也具有随机性和不确定性；路口状态变化时，平均车头时距也随之变化，针对使用的车头时距的实际特性曲线，即可选取曲线拐点设置车头时距阈值h0；默认车头时距配置3s。
进一步地，所述步骤3)具体包括：根据绿灯后排满所需时间变化特性，绘制实际特性曲线，并选取曲线由波动变化转为下降趋势的切换点，作为排满时间阈值t0。
进一步地，所述绿灯后排满所需时间变化特性为：路口内车辆少时，路口排满所需时间具有随机性和不确定性；随着路口内车辆数量增加，路口拥堵程度逐渐增加，绿灯后排满所需时间也变短；针对使用绿灯后排满所需时间的变化特性，即可选取曲线由波动变化转为下降趋势的切换点设置排满时间阈值t0；默认排满时间配置30s。
进一步地，所述步骤4)具体包括：根据所述车头时距阈值h0及排满时间阈值t0，识别出畅通、严重拥堵两种状态，以及基本畅通+轻度拥堵+中度拥堵的混合状态；
Figure BDA0002708499020000021
进一步地，所述步骤5)中路口畅通状态计算模型如下：
Figure BDA0002708499020000022
路口严重拥堵状态计算模型如下：
Figure BDA0002708499020000023
路口基本畅通+轻度拥堵+中度拥堵混合状态计算模型如下：
Figure BDA0002708499020000031
式中，h是平均车头时距，t是绿灯后排满所需时间，h0是车头时距阈值，t0是车头时距阈值，Z是路口拥堵指数。
进一步地，所述步骤6)中的路口状态如下：
Figure BDA0002708499020000032
进一步地，所述步骤7)中路口畅通状态计算模型如下：
Figure BDA0002708499020000033
路口基本畅通状态计算模型如下：
Figure BDA0002708499020000034
路口轻度拥堵状态计算模型如下：
Figure BDA0002708499020000035
路口中度拥堵状态计算模型如下：
Figure BDA0002708499020000036
路口严重拥堵状态计算模型如下：
Figure BDA0002708499020000037
式中，h是平均车头时距，t是绿灯后排满所需时间，h0是车头时距阈值，t0是车头时距阈值，Z是路口拥堵指数。
进一步地，所述绿灯后排满所需时间为绿灯结束后，新的车辆陆续到达路口，在路口形成排队现象，车辆排队至渠化末端的时间即为绿灯后排满所需时间。
本发明的有益效果：
本发明应用于交通信号控制效益评估系统后，可以充分使用已有数据来更精确的定量的描述路口交通运行状态。构建的拥堵指数分段计算模型与路口拥堵程度呈正相关关系，解决了单个交通参数无法充分表征路口拥堵程度的问题。
本发明自动实时计算路口拥堵指数，输入的车头时距和绿灯后排满所需时间由系统实时采集，减少主观判断影响，计算结果更加客观，有利于不同路口之间和同一路口不同时间之间的路口交通运行状态比较。
附图说明
图1为本发明方法的流程图。
图2为平均车头时距特性曲线图。
图3为绿灯后排满所需时间对应的排满位置示意图。
图4为排满所需时间特性曲线图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种基于正向雷达数据的交叉口拥堵指数计算方法，步骤如下：
1)对路口状态按照拥堵程度进行分级，划分五个等级，并确定对应指数级别区间；路口状态按照拥堵程度划分为五个等级，分别是畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵，各自对应的指数级别分别为(0，2)、(2，4)、(4，6)、(6，8)、(8，10)；
所述严重拥堵状态包含路口溢出，检测到路口溢出时拥堵指数为10。
2)绘制车头时距实际特性曲线，并设置车头时距阈值；
车头时距为同向行驶的两个连续车辆，前车车头与后车车头通过路口检测位置的时间间隔。
根据车头时距变化特性，绘制实际特性曲线，并选取曲线拐点作为车头时距阈值h0；
参照图2所示，车头时距变化特性为：随着路口内车辆数量增加，路口拥堵程度逐渐增加，平均车头时距逐渐变小；当路口内车辆数量超过一定程度时，路口拥堵程度增加，行车效率的相互影响平均车头时距逐渐变大；当路口内车辆数量继续增加，直至发生溢出，路口通过的车辆数少，过车时间具有随机性和不确定性，此时的平均车头时距也具有随机性和不确定性；路口状态变化时，平均车头时距也随之变化，针对使用的车头时距的实际特性曲线，即可选取曲线拐点设置车头时距阈值h0；默认车头时距配置3s。
3)绘制绿灯后排满所需时间实际特性曲线，并设置绿灯后排满时间阈值；
根据绿灯后排满所需时间变化特性，绘制实际特性曲线，并选取曲线由波动变化转为下降趋势的切换点，作为排满时间阈值t0；
参照图3所示，绿灯后排满所需时间对应的排满位置，是指刚开始进入路口范围且出现实线车道线的地方，与停止线的距离一般为几十米。
参照图4所示，绿灯后排满所需时间变化特性为：路口内车辆少时，路口排满所需时间具有随机性和不确定性；随着路口内车辆数量增加，路口拥堵程度逐渐增加，绿灯后排满所需时间也变短；针对使用绿灯后排满所需时间的变化特性，即可选取曲线由波动变化转为下降趋势的切换点设置排满时间阈值t0；默认排满时间配置30s。
4)路口状态一次识别：根据所述车头时距阈值及排满时间阈值对路口状态进行一次识别，识别出畅通、严重拥堵两种状态，以及基本畅通+轻度拥堵+中度拥堵的混合状态；
根据所述车头时距阈值h0及排满时间阈值t0，识别出畅通、严重拥堵两种状态，以及基本畅通+轻度拥堵+中度拥堵的混合状态；
Figure BDA0002708499020000051
5)构建路口三个状态的计算模型：畅通状态计算模型、严重拥堵状态计算模型，以及基本畅通+轻度拥堵+中度拥堵混合状态计算模型；其中，
路口畅通状态计算模型如下：
Figure BDA0002708499020000052
路口严重拥堵状态计算模型如下：
Figure BDA0002708499020000053
路口基本畅通+轻度拥堵+中度拥堵混合状态计算模型如下：
Figure BDA0002708499020000054
式中，h是平均车头时距，t是绿灯后排满所需时间，h0是车头时距阈值，t0是车头时距阈值，Z是路口拥堵指数。
6)路口状态二次识别：根据上述步骤5)的模型结果及指数取值范围，识别出畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵；
路口状态如下：
Figure BDA0002708499020000061
7)构建路口拥堵指数分段计算模型：畅通状态计算模型、基本畅通状态计算模型、轻度拥堵状态计算模型、中度拥堵状态计算模型、严重拥堵状态计算模型；其中，
路口畅通状态计算模型如下：
Figure BDA0002708499020000062
路口基本畅通状态计算模型如下：
Figure BDA0002708499020000063
路口轻度拥堵状态计算模型如下：
Figure BDA0002708499020000064
路口中度拥堵状态计算模型如下：
Figure BDA0002708499020000065
路口严重拥堵状态计算模型如下：
Figure BDA0002708499020000066
式中，h是平均车头时距，t是绿灯后排满所需时间，h0是车头时距阈值，t0是车头时距阈值，Z是路口拥堵指数。
所述绿灯后排满所需时间为绿灯结束后，新的车辆陆续到达路口，在路口形成排队现象，车辆排队至渠化末端的时间即为绿灯后排满所需时间。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

1.一种基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，步骤如下：
1)对路口状态按照拥堵程度进行分级，划分五个等级，并确定对应指数级别区间；
2)绘制车头时距实际特性曲线，并设置车头时距阈值；
3)绘制绿灯后排满所需时间实际特性曲线，并设置绿灯后排满时间阈值；
4)路口状态一次识别：根据所述车头时距阈值及排满时间阈值对路口状态进行一次识别，识别出畅通、严重拥堵两种状态，以及基本畅通+轻度拥堵+中度拥堵的混合状态；
5)构建路口三个状态的计算模型：畅通状态计算模型、严重拥堵状态计算模型，以及基本畅通+轻度拥堵+中度拥堵混合状态计算模型；
6)路口状态二次识别：根据上述步骤5)的模型结果及指数取值范围，识别出畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵；
7)构建路口拥堵指数分段计算模型：畅通状态计算模型、基本畅通状态计算模型、轻度拥堵状态计算模型、中度拥堵状态计算模型、严重拥堵状态计算模型。
2.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤1)中路口状态按照拥堵程度划分为五个等级，分别是畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵，各自对应的指数级别分别为(0，2)、(2，4)、(4，6)、(6，8)、(8，10)。
3.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤2)中的车头时距为同向行驶的两个连续车辆，前车车头与后车车头通过路口检测位置的时间间隔。
4.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤2)具体包括：根据车头时距变化特性，绘制实际特性曲线，并选取曲线拐点作为车头时距阈值h0。
5.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤3)具体包括：根据绿灯后排满所需时间变化特性，绘制实际特性曲线，并选取曲线由波动变化转为下降趋势的切换点，作为排满时间阈值t0。
6.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤4)具体包括：根据所述车头时距阈值h0及排满时间阈值t0，识别出畅通、严重拥堵两种状态，以及基本畅通+轻度拥堵+中度拥堵的混合状态；
Figure FDA0002708499010000011
7.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤5)中路口畅通状态计算模型如下：
Figure FDA0002708499010000021
路口严重拥堵状态计算模型如下：
Figure FDA0002708499010000022
路口基本畅通+轻度拥堵+中度拥堵混合状态计算模型如下：
Figure FDA0002708499010000023
式中，h是平均车头时距，t是绿灯后排满所需时间，h0是车头时距阈值，t0是车头时距阈值，Z是路口拥堵指数。
8.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤6)中的路口状态如下：
Figure FDA0002708499010000024
9.根据权利要求1所述的基于正向雷达数据的交叉口拥堵指数计算方法，其特征在于，所述步骤7)中路口畅通状态计算模型如下：
Figure FDA0002708499010000025
路口基本畅通状态计算模型如下：
Figure FDA0002708499010000026
路口轻度拥堵状态计算模型如下：
Figure FDA0002708499010000027
路口中度拥堵状态计算模型如下：
Figure FDA0002708499010000028
路口严重拥堵状态计算模型如下：
Figure FDA0002708499010000029
式中，h是平均车头时距，t是绿灯后排满所需时间，h0是车头时距阈值，t0是车头时距阈值，Z是路口拥堵指数。
CN202011047711.6A 2020-09-29 2020-09-29 一种基于正向雷达数据的交叉口拥堵指数计算方法 Active CN112396829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011047711.6A CN112396829B (zh) 2020-09-29 2020-09-29 一种基于正向雷达数据的交叉口拥堵指数计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011047711.6A CN112396829B (zh) 2020-09-29 2020-09-29 一种基于正向雷达数据的交叉口拥堵指数计算方法

Publications (2)

Publication Number Publication Date
CN112396829A true CN112396829A (zh) 2021-02-23
CN112396829B CN112396829B (zh) 2022-06-07

Family

ID=74596512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011047711.6A Active CN112396829B (zh) 2020-09-29 2020-09-29 一种基于正向雷达数据的交叉口拥堵指数计算方法

Country Status (1)

Country Link
CN (1) CN112396829B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113026593A (zh) * 2021-03-16 2021-06-25 武汉理工大学 一种基于心理旋转效应的五路环形交叉导向系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473935A (zh) * 2013-09-03 2013-12-25 青岛海信网络科技股份有限公司 基于感应检测器的路口交通拥堵判定及控制方法和系统
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN105070056A (zh) * 2015-07-23 2015-11-18 合肥革绿信息科技有限公司 一种基于浮动车的交叉口交通拥堵指数计算方法
CN108629973A (zh) * 2018-05-11 2018-10-09 四川九洲视讯科技有限责任公司 基于固定检测设备的路段交通拥堵指数计算方法
CN108806283A (zh) * 2017-05-02 2018-11-13 中移物联网有限公司 一种交通信号灯的控制方法及车联网平台

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN103473935A (zh) * 2013-09-03 2013-12-25 青岛海信网络科技股份有限公司 基于感应检测器的路口交通拥堵判定及控制方法和系统
CN105070056A (zh) * 2015-07-23 2015-11-18 合肥革绿信息科技有限公司 一种基于浮动车的交叉口交通拥堵指数计算方法
CN108806283A (zh) * 2017-05-02 2018-11-13 中移物联网有限公司 一种交通信号灯的控制方法及车联网平台
CN108629973A (zh) * 2018-05-11 2018-10-09 四川九洲视讯科技有限责任公司 基于固定检测设备的路段交通拥堵指数计算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113026593A (zh) * 2021-03-16 2021-06-25 武汉理工大学 一种基于心理旋转效应的五路环形交叉导向系统

Also Published As

Publication number Publication date
CN112396829B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
WO2021227502A1 (zh) 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN109598950B (zh) 一种智能网联车辆的匝道协同汇入控制方法及系统
CN111540201B (zh) 基于路侧激光雷达的车辆排队长度实时估计方法及系统
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
CN110363255B (zh) 一种基于深度学习算法的高速公路限速限流方法
CN113516854B (zh) 一种基于卡警、视频检测器的多路口协调自适应控制方法
CN110718077B (zh) 一种行动-评价机制下信号灯优化配时方法
CN111508094A (zh) 一种基于etc门架与卡口通行数据的高速公路拥堵发现方法
CN113257024B (zh) 一种基于v2i的高速公路雨雾环境防追尾预警方法及系统
CN105551250B (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN111723854B (zh) 一种高速公路交通拥堵检测方法、设备及可读存储介质
CN104951764A (zh) 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
CN111341107A (zh) 一种基于云平台数据的共享式交通控制方法
CN105844915A (zh) 一种可变限速控制下交通流基本图的确定方法
CN112613225A (zh) 一种基于神经网络元胞传输模型的交叉口交通状态预测方法
CN110619340B (zh) 一种自动驾驶汽车换道规则的生成方法
CN112396829B (zh) 一种基于正向雷达数据的交叉口拥堵指数计算方法
CN112382103A (zh) 城市交通信号灯的智能控制方法、存储介质
CN115063990A (zh) 一种混合交通流环境高速公路瓶颈路段动态限速控制方法
CN107092988B (zh) 一种专用道公交车辆驻站时间预测方法
CN112216113A (zh) 基于密度峰值的交通流量数据聚类方法
CN117994983B (zh) 一种基于物联网的高速路网态势感知方法及系统
CN117523877A (zh) 一种基于视觉识别的无人机交通疏导系统
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN116811854A (zh) 汽车运行轨迹确定方法、装置、汽车和存储介质

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