CN112989537B - 一种基于多目标优化的t型路口通行设计方法 - Google Patents

一种基于多目标优化的t型路口通行设计方法 Download PDF

Info

Publication number
CN112989537B
CN112989537B CN202110276814.8A CN202110276814A CN112989537B CN 112989537 B CN112989537 B CN 112989537B CN 202110276814 A CN202110276814 A CN 202110276814A CN 112989537 B CN112989537 B CN 112989537B
Authority
CN
China
Prior art keywords
waiting time
particle
random number
normal random
entropy
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
Application number
CN202110276814.8A
Other languages
English (en)
Other versions
CN112989537A (zh
Inventor
曾健友
温静
徐庆杰
季宗元
张昂霄
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110276814.8A priority Critical patent/CN112989537B/zh
Publication of CN112989537A publication Critical patent/CN112989537A/zh
Application granted granted Critical
Publication of CN112989537B publication Critical patent/CN112989537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于多目标优化的T型路口通行设计方法，根据得到的不同通行设计方案下人的等待时间x1和车的等待时间x2，得到估计的期望Ex1、熵和超熵，并生成以En1为期望，以He1为标准差的正态随机数b'1；根据正态随机数b'1生成以Ex1为期望值，b'1为标准差的正态随机数b1；同理，根据车的等待时间，得到相应的期望Ex2、熵、超熵、正态随机数b'2和正态随机数b2；通过计算得到确定度Y，(x1,x2,Y)为一个云滴，构建以人的等待时间和车的等待时间为输入，以确定度为输出的云模型，利用粒子群算法搜索即得到通行设计方法的最优解。本发明的有益效果是：对T型路口通行重新设计后，保证道路通行能力较高，能较好的兼顾土地利用率和交通出行。

Description

一种基于多目标优化的T型路口通行设计方法
技术领域
本发明涉及道路交通领域，尤其涉及一种基于多目标优化的T型路口通行设计方法。
背景技术
随着经济的迅速发展，城市车辆数量在不断增加，而现有的交通资源有限，城市交通拥堵问题日趋严重。城市道路是城市交通的主动脉，各个道路平面交叉口是其中的关键链接，影响着整个城市交通。城市道路是城市交通的主动脉，各个道路平面交叉口是其中的关键链接，影响着整个城市交通。T形交叉口是城市交通网络中的关键点之一。目前对T形交叉口信号配时的研究中，杜熠鹏(2011)针对城市道路中常见的T型交叉口，用信号配时优化软件Synchro对具体路口进行设计优化及评价。马东方等(2011)提出了T型交叉口各股车流之间的冲突矩阵，建立了车流通行能力及无信号交叉口车均延误模型，得到特定条件下需设置信号的临界流量条件。陈阳舟等(2011)将周期线性微分自动机理论应用于T形交叉口的信号配时问题。徐洪峰等(2012)提出了一种适用于T形交叉口的机动车相位固定最小绿灯计算方法。陈利霖等(2012)利用二分法反复迭代搜寻出了基于Webster法的"对称T形交叉口"的最佳信号周期。李明昊等(2014)研究了韦伯斯特法、绿灯延启技术和增加阶段等三种方法的优缺点以及各自的应用场景。周浩(2014)建立交通信号配时模型，对各相位的绿灯时长进行调整，使得整个交叉口总延误时间尽可能的短。胡爱秀等(2015)用延误、行程时间、饱和度等参数评价交叉口的运行状况，以此为基础设计优化方案。胡鹏等(2016)针对T型交叉口的信号配时问题，提出了一种基于排队长度均衡策略的信号配时优化方案。郑长江等(2018)在分析典型T型交叉口交通流特性的基础上，结合Synchro系统仿真模型，对当前的信号配时进行优化研究。现有的T型路口交通信号灯设置方式、人行横道设置方式以及单目标优化方式在实时性、高效性、整体性等方面已无法满足城市交通发展变化的要求。对T型路口的通行进行合理的设计，是有效提高城市道路通行能力的主要途径之一。
发明内容
为了解决上述问题，本发明提供了一种基于多目标优化的T型路口通行设计方法，主要包括以下步骤：
S1：通过问卷调查的方式，统计得到不同通行设计方案下，人的等待时间x1和车的等待时间x2；
S2：根据人的等待时间x1，得到估计的期望Ex1、熵En1和超熵He1，并生成以En1为期望，以He1为标准差的正态随机数b'1；
S3：根据正态随机数b'1生成以Ex1为期望值，b'1为标准差的正态随机数b1；
S4：采用和步骤S2-S3同样的方法，根据车的等待时间x2，得到相应的期望Ex2、熵En2、超熵He2、正态随机数b'2和正态随机数b2；
S5：根据得到的期望Ex1或Ex2、正态随机数b'1或b'2，和正态随机数b1或b2，计算得到确定度Y，(x1,x2,Y)为一个云滴，重复所有步骤直到得到M个云滴为止，M＝3000，Ex1、b'1和b1作为一组使用，Ex2、b'2和b2作为另一组使用；
S6：构建云模型，其输入是人的等待时间x1和车的等待时间x2，输出是确定度Y，利用粒子群算法搜索云模型的最优解，即得到通行设计方法的最优解。
进一步地，通过以下公式计算人的等待时间的期望Ex1、熵En1和超熵He1：
Figure GDA0003788289170000021
Figure GDA0003788289170000022
Figure GDA0003788289170000023
S2＝mean((Ni-Ex)2),i＝1,2,…,n (4)
其中，Ni表示人在第i时刻的等待时间，n为大于等于1的正整数，Ex表示期望，En表示正态随机数。
进一步地，计算确定度Y的公式如下：
Figure GDA0003788289170000031
其中，j＝1时，x1表示人的等待时间，Ex1表示对应人的等待时间的期望，En′1表示对应人的等待时间的正态随机数，j＝2时，x2表示车的等待时间，Ex2表示对应车的等待时间的期望，En′2表示对应车的等待时间的正态随机数，N为大于等于1的正整数。
进一步地，采用粒子群算法搜索最优解的过程如下：
(1)随机初始化种群中各粒子的位置和速度，根据式(6)评价每个粒子的适应度：
G＝1-Y (6)
其中，G为粒子的适应度，Y为该粒子的确定度；
(3)根据式(7)更新每个粒子的运动速度，根据式(8)更新每个粒子的位置：
Vi(t+1)＝ω×Vi(t)+η1×rand×(Pib-Pi(t))+η2×rand×(Pgb-Pi(t)) (7)
Pi(t+1)＝Pi(t)+Vi(t+1) (8)
其中，Pib表示存储有当前各个粒子的位置和适应度的个体最优集合，Pgb表示存储有适应度值最优个体的位置和适应度值的全局最优集合；Vi(t+1)表示第i个粒子的第t+1次迭代过程的速度值，Vi(t)表示第i个粒子的第t次迭代过程的速度值；ω是一个0～1的系数，表示粒子速度的传递惯性；η1和η2分别用来控制粒子向Pib和Pgb聚集的程度；rand为0～1的随机数；Pi(t+1)代表第i个粒子的第t+1次迭代过程中所处的位置，Pi(t)代表第i个粒子的第t次迭代过程中所处的位置；
对于每个粒子，将其适应度值和它经历过的最好位置作比较，如果较好，则将其作为当前的最好位置，遍历后更新Pgb，直至更新后的Pgb满足终止条件，此时即得到T型路口通行设计的最优解。
本发明提供的技术方案带来的有益效果是：与现有的技术比较，本发明的优点是：对T型路口通行重新设计后，保证道路通行能力较高，能较好的兼顾土地利用率和交通出行。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于多目标优化的T型路口通行设计方法的流程图；
图2是本发明实施例中人和车等待时间的云模型示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于多目标优化的T型路口通行设计方法。利用粒子群优化算法对T型路口的通行设计方式进行多目标优化，得到最优的通行设计方式。
请参考图1，图1是本发明实施例中一种基于多目标优化的T型路口通行设计方法的流程图，具体包括如下步骤：
首先通过问卷调查得到不同通行设计方案下人的等待时间x1和车的等待时间x2。根据人的等待时间x1估计其期望Ex1、熵En1和超熵He1。然后生成以En1为期望，以He1为标准差的正态随机数b'1。根据正态随机数b'1生成以Ex1为期望值，b'1为标准差的正态随机数b1。由车的等待时间重复上述步骤得到相应的期望Ex2、熵En2、超熵He2、正态随机数b'2和正态随机数b2。最后计算确定度Y，则(x1,x2,Y)为一个云滴，重复所有步骤直到得到M个云滴为止，x1表示人的等待时间，x2表示车的等待时间。利用粒子群算法寻找通行设计方法的最优解。整体流程图如图1所示。
基于不同等待时间的两组不同结果设为U{x1,x2}，表示为精确数值表示的二维定量论域，定量论域即所有调研到的等待时间组成的范围，C是U{x1,x2}上的一个定性概念，即一种人的体验感觉，若定量值x∈U，且X(x1,x2)是定性概念C的一次随机实现，则根据以下公式估计人的等待时间x1的期望Ex1、熵En1和超熵He1。
Figure GDA0003788289170000051
Figure GDA0003788289170000052
Figure GDA0003788289170000053
S2＝mean((Ni-Ex)2),i＝1,2,…,n (4)
其中，Ni表示人在第i时刻的等待时间，n为大于等于1的正整数，Ex表示期望，En表示正态随机数，En表示的是一个完整的参数。
然后生成以En1为期望，以He1为标准差的正态随机数b'1～N(En,He2)，根据正态随机数b'1生成以Ex1为期望值，b'1为标准差的正态随机数
Figure GDA0003788289170000055
由车的等待时间x2重复上述步骤得到相应的期望Ex2、熵En2、超熵He2、正态随机数b'2和正态随机数b2。根据以下公式计算其确定度。
Figure GDA0003788289170000054
则(x1,x2,Y)为一个云滴，重复所有步骤直到得到M个云滴为止。利用粒子群对以上得到的云模型进行多目标优化过程中，假设一共有m个粒子的种群P＝{P1,P2,…,Pm}在一个具有3维的解空间中进行寻优，粒子所处的位置为Pi＝{pi1,pi2,…,pin}，其代表一个可行解。随机初始化种群中各粒子的位置和速度，根据式(6)评价每个粒子的适应度。将当前各粒子的位置和适应度存储在各粒子的Pib中，将所有Pib中适应度值最优个体的位置和适应度值存储在Pgb中。
G＝1-Y (6)
式中G为粒子的适应度；Y为该粒子的确定度。
每个粒子根据式(7)更新粒子运动速度，根据式(8)由速度更新粒子位置。对每个粒子，将其适应度值和它经历过的最好位置作比较，如果较好，则将其作为当前的最好位置；每个粒子在搜索最优位置的过程中都具有自己的速度值Vi＝{vi1,vi2,…,vin}，并且在搜索的过程中利用Pib和Pgb来调整粒子的速度。
Vi(t+1)＝ω×Vi(t)+η1×rand×(Pib-Pi(t))+η2×rand×(Pgb-Pi(t)) (7)
Pi(t+1)＝Pi(t)+Vi(t+1) (8)
式中，Vi(t+1)表示第i个粒子的第t+1次迭代过程的速度值，Vi(t)表示第i个粒子的第t次迭代过程的速度值；ω是一个0～1的系数，表示粒子速度的传递惯性；η1和η2用来控制粒子向Pib和Pgb聚集的程度；rand为0～1的随机数；Pi(t+1)代表第i个粒子的第t+1次迭代过程中所处的位置，Pi(t)代表第i个粒子的第t次迭代过程中所处的位置。实际中，为了让粒子的速度不至于过大，一般设置速度上限作为约束，即Vi(t+1)＞Vmax时，Vi(t+1)＝Vmax；Vi(t+1)＜-Vmax时，Vi(t+1)＝-Vmax。ω为惯性权重，在迭代的早期，惯性系数ω较大，迭代的中后期，惯性系数ω的值降低，在一般情况下的取值为0～1的随机数。η1和η2为速度调节参数，η1和η2均取值为2。
比较粒子当前所有Pib和Pgb值，更新Pgb。若满足停止条件，该停止条件为：达到预设迭代次数50次，则搜索停止，输出结果，否则更新粒速度和位置，继续搜索。
为验证所提出的方法，以中国地质大学(武汉)北区校门T型路口为例进行验证。学校人数众多，与学校北区校门相交的八一路与光谷大桥以及瑜家山北路相接，是城市主干道，交通流量大。首先通过问卷调查得到不同通行设计方案下人(x1)和车(x2)的等待时间。部分数据如表1所示。利用人的等待时间和车的等待时间和确定度Y构建云模型。利用粒子群算法搜索云模型的最优值。
表1部分问卷调查结果
Figure GDA0003788289170000061
表1中人行道位置在左边、中间和右边分别用0、1和2表示，红绿灯周期范围为10s到95s。在云模型的构建中，首先根据公式(1)～(4)分别计算对应的期望Ex、熵En、超熵He、正态随机数En'和正态随机数x。根据式(5)计算其确定度Y，则(x1,x2,Y)为一个云滴。重复以上步骤直到得到M个云滴，从而构建人和车等待时间的云模型，如图2所示。
在T型路口通行设计中，本专利涉及到的有人行道、信号灯的周期和道路宽度三种影响因素，因此粒子群算法中粒子的维度为3。初始化时将粒子种群大小设为100，随机初始化各粒子的人行道、信号灯周期和车道宽度三个值，这对于本方法中的最优设计方法然后根据调查结果以及云模型来计算各个粒子的适应度，更新粒子的个体最优和全局最优位置。由公式(7)和(8)更新粒子速度和位置，此时的最优解是否满足终止条件，如果满足则输出最优解，不满足则继续迭代直到满足终止条件。最后道路通行设计的最优解，红绿灯周期为88s，车道宽度为3.5m，人行道位置为中间。
本发明的有益效果是：与现有的技术比较，本发明的优点是：对T型路口通行重新设计后，保证道路通行能力较高，能较好的兼顾土地利用率和交通出行。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于多目标优化的T型路口通行设计方法，其特征在于：包括以下步骤：
S1：通过问卷调查的方式，统计得到不同通行设计方案下，人的等待时间x1和车的等待时间x2；
S2：根据人的等待时间x1，得到估计的期望Ex1、熵En1和超熵He1，并生成以En1为期望，以He1为标准差的正态随机数b'1；
S3：根据正态随机数b'1生成以Ex1为期望值，b'1为标准差的正态随机数b1；
S4：采用和步骤S2-S3同样的方法，根据车的等待时间x2，得到相应的期望Ex2、熵En2、超熵He2、正态随机数b'2和正态随机数b2；
S5：根据得到的期望Ex1或Ex2、正态随机数b'1或b'2，和正态随机数b1或b2，计算得到确定度Y，(x1,x2,Y)为一个云滴，重复所有步骤直到得到M个云滴为止，M＝3000，Ex1、b'1和b1作为一组使用，Ex2、b'2和b2作为另一组使用；
S6：构建云模型，其输入是人的等待时间x1和车的等待时间x2，输出是确定度Y，利用粒子群算法搜索云模型的最优解，即得到通行设计方法的最优解；
采用粒子群算法搜索最优解的过程如下：
(1)随机初始化种群中各粒子的位置和速度，根据式(6)评价每个粒子的适应度：
G＝1-Y (6)
其中，G为粒子的适应度，Y为该粒子的确定度；
(2)根据式(7)更新每个粒子的运动速度，根据式(8)更新每个粒子的位置：
Vi(t+1)＝ω×Vi(t)+η1×rand×(Pib-Pi(t))+η2×rand×(Pgb-Pi(t)) (7)
Pi(t+1)＝Pi(t)+Vi(t+1) (8)
其中，Pib表示存储有当前各个粒子的位置和适应度的个体最优集合，Pgb表示存储有适应度值最优个体的位置和适应度值的全局最优集合；Vi(t+1)表示第i个粒子的第t+1次迭代过程的速度值，Vi(t)表示第i个粒子的第t次迭代过程的速度值；ω是一个0～1的系数，表示粒子速度的传递惯性；η1和η2分别用来控制粒子向Pib和Pgb聚集的程度；rand为0～1的随机数；Pi(t+1)代表第i个粒子的第t+1次迭代过程中所处的位置，Pi(t)代表第i个粒子的第t次迭代过程中所处的位置；
对于每个粒子，将其适应度值和它经历过的最好位置作比较，如果较好，则将其作为当前的最好位置，遍历后更新Pgb，直至更新后的Pgb满足终止条件，此时即得到T型路口通行设计的最优解。
2.如权利要求1所述的一种基于多目标优化的T型路口通行设计方法，其特征在于：步骤S4中，通过以下公式计算人的等待时间的期望Ex1、熵En1和超熵He1：
Figure FDA0003788289160000021
Figure FDA0003788289160000022
Figure FDA0003788289160000023
s2＝mean((Ni-Ex)2),i＝1,2,…,n (4)
其中，Ni表示人在第i时刻的等待时间，n为大于等于1的正整数，Ex表示期望，En表示正态随机数。
3.如权利要求2所述的一种基于多目标优化的T型路口通行设计方法，其特征在于：步骤S5中，计算确定度Y的公式如下：
Figure FDA0003788289160000024
其中，j＝1时，x1表示人的等待时间，Ex1表示对应人的等待时间的期望，E′n1表示对应人的等待时间的正态随机数，j＝2时，x2表示车的等待时间，Ex2表示对应车的等待时间的期望，E′n2表示对应车的等待时间的正态随机数，N为大于等于1的正整数。
CN202110276814.8A 2021-03-15 2021-03-15 一种基于多目标优化的t型路口通行设计方法 Active CN112989537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110276814.8A CN112989537B (zh) 2021-03-15 2021-03-15 一种基于多目标优化的t型路口通行设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110276814.8A CN112989537B (zh) 2021-03-15 2021-03-15 一种基于多目标优化的t型路口通行设计方法

Publications (2)

Publication Number Publication Date
CN112989537A CN112989537A (zh) 2021-06-18
CN112989537B true CN112989537B (zh) 2022-09-30

Family

ID=76336455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110276814.8A Active CN112989537B (zh) 2021-03-15 2021-03-15 一种基于多目标优化的t型路口通行设计方法

Country Status (1)

Country Link
CN (1) CN112989537B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000030185A (ja) * 1998-07-13 2000-01-28 Toshiba Corp 道路交通に於ける信号機制御システム、及び同システムに於ける信号機制御方法、信号機集中管理システム及びその信号機集中管理方法
CN105809958A (zh) * 2016-03-29 2016-07-27 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN108734354A (zh) * 2018-05-23 2018-11-02 吉林大学 一种城市道路信号交叉口多目标配时优化方法
CN109410607A (zh) * 2018-03-22 2019-03-01 合肥革绿信息科技有限公司 一种基于视频的十字路口信号机控制方法
CN109949577A (zh) * 2019-04-25 2019-06-28 贵州大学 一种道路交通流量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000030185A (ja) * 1998-07-13 2000-01-28 Toshiba Corp 道路交通に於ける信号機制御システム、及び同システムに於ける信号機制御方法、信号機集中管理システム及びその信号機集中管理方法
CN105809958A (zh) * 2016-03-29 2016-07-27 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及系统
CN109410607A (zh) * 2018-03-22 2019-03-01 合肥革绿信息科技有限公司 一种基于视频的十字路口信号机控制方法
CN108734354A (zh) * 2018-05-23 2018-11-02 吉林大学 一种城市道路信号交叉口多目标配时优化方法
CN109949577A (zh) * 2019-04-25 2019-06-28 贵州大学 一种道路交通流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于云模型的交通信号自学习控制方法》;承向军;《交通运输系统工程与信息》;20090415;第45-50页 *

Also Published As

Publication number Publication date
CN112989537A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
Bi et al. Optimal type-2 fuzzy system for arterial traffic signal control
CN108510764B (zh) 一种基于q学习的多路口自适应相位差协调控制系统及方法
CN112216108A (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
Zhang et al. Optimal Signal Timing Method of Intersections Based on Bus Priority
CN106384521A (zh) 一种基于公交优先的单交叉口交通信号优化控制方法
CN114038216B (zh) 一种基于路网划分和边界流量控制的信号灯管控方法
Liao et al. Time difference penalized traffic signal timing by LSTM Q-network to balance safety and capacity at intersections
CN105260551B (zh) 车联网中节点分布特性分析方法
Jang et al. A study on the effectiveness of A2C and A3C reinforcement learning in parking space search in urban areas problem
CN112989537B (zh) 一种基于多目标优化的t型路口通行设计方法
CN113724507A (zh) 基于深度强化学习的交通控制与车辆诱导协同方法和系统
CN113936475A (zh) 一种多道路资源优化的交通控制方法和系统
Yang et al. A divided two-lane cellular automaton model of traffic flow considering driving tendency
CN115472023B (zh) 一种基于深度强化学习的智能交通灯控制方法及装置
Li et al. Variable speed limit strategies analysis with link transmission model on urban expressway
CN116659535A (zh) 一种基于深度强化学习的风险感知路径规划方法
CN108022423B (zh) 一种ca模型下的城市施工路段车辆变道点逐日预测方法
CN113742925B (zh) 一种信号控制路口行人流仿真方法
Li et al. Traffic flow prediction with big data: A learning approach based on SIS-complex networks
CN113299068B (zh) 一种交通路网拥堵状态预测方法及系统
WO2021258847A1 (zh) 一种驾驶决策方法、装置及芯片
Shaharuddin et al. Traffic simulation using agent based modelling
Ding Modeling and simulation of highway traffic using a cellular automaton approach
Chen et al. Algorithms for the traffic light setting problem on the graph model
Li et al. Multi-class dynamic network traffic flow propagation model with physical queues

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