CN113362605B - 基于潜在同质区域分析的分布式高速路优化系统及方法 - Google Patents

基于潜在同质区域分析的分布式高速路优化系统及方法 Download PDF

Info

Publication number
CN113362605B
CN113362605B CN202110835130.7A CN202110835130A CN113362605B CN 113362605 B CN113362605 B CN 113362605B CN 202110835130 A CN202110835130 A CN 202110835130A CN 113362605 B CN113362605 B CN 113362605B
Authority
CN
China
Prior art keywords
traffic
road
intelligent
network
information
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
CN202110835130.7A
Other languages
English (en)
Other versions
CN113362605A (zh
Inventor
高丰坤
杨博
陈彩莲
关新平
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110835130.7A priority Critical patent/CN113362605B/zh
Publication of CN113362605A publication Critical patent/CN113362605A/zh
Application granted granted Critical
Publication of CN113362605B publication Critical patent/CN113362605B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile 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
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于潜在同质区域辨识的分布式交通流优化系统及方法，为端‑边‑云三层架构，包括：进行城市路网交通状态监控的云计算中心、部署在每个子路网边缘侧的智能路边单元以及智能网联汽车，云计算中心可与智能路边单元进行通信，智能路边单元进行交通感知、信息传输、时间敏感型业务计算，智能网联汽车与路边单元通信以上传车辆状态信息和/或下载交通控制信息。本发明基于历史数据分析，对潜在同质区域进行辨识，以总行驶时间最小为目标，建立模型描述子网路段动态并设计基于双一致性的分布式交通流优化控制算法，能有效减少交通拥堵，降低拥堵传播对周围路段的影响。

Description

基于潜在同质区域分析的分布式高速路优化系统及方法
技术领域
本发明涉及的是一种智能交通控制领域的技术，具体是一种基于潜在同质区域分析的分布式高速路优化系统及方法。
背景技术
目前针对高速路交通流的优化控制措施主要有匝道限流控制和主路可变限速控制。匝道限流调节通过上匝道进入主路的车辆数，可变限速控制为行驶在主路上的车辆提供最优的速度策略，通过这两种措施的结合可以有效提升高速路的通行能力。现有技术在集中式控制策略与分布式控制策略方面都取得了很大进展，也有通过强化学习(reinforcement learning)提高准确度的改进，但其多基于拥堵路段的实时或预测状态制定策略，并未考虑拥堵传播对周围路段的影响。然而实际交通路网中，由于交通流的流动性和相邻路段交通状态的强耦合性，拥堵状态会向周围路段传播。现有方法未对拥堵传播机制进行有效分析，难以辨识潜在的拥堵区域，或对计算资源要求较高，难以应用于实时交通控制，无法在道路拥堵之前采取交通控制措施，难以避免交通拥堵的传播。
发明内容
本发明针对现有技术在进行城市高速路交通流优化控制时未考虑拥堵传播对上下游路段的影响，不能有效避免拥堵传播的缺陷，提出一种基于潜在同质区域分析的分布式高速路优化系统及方法，基于历史数据分析，对潜在同质区域进行辨识，以总行驶时间最小为目标，建立模型描述子网路段动态并设计基于双一致性的分布式交通流优化控制算法，能有效减少交通拥堵，降低拥堵传播对周围路段的影响。
本发明是通过以下技术方案实现的：
本发明涉及一种基于潜在同质区域分析的分布式高速路优化系统，为端-边-云三层架构，包括：进行城市路网交通状态监控的云计算中心、部署在每个子路网边缘侧的智能路边单元以及智能网联汽车，其中：云计算中心可与智能路边单元进行通信，智能路边单元进行交通感知、信息传输、时间敏感型业务计算，智能网联汽车与路边单元通信以上传车辆状态信息和/或下载交通控制信息。
所述的车辆状态信息包括：速度、位置信息、起止点信息、下发交通控制信息以及与邻居智能路边单元通信交换信息。
所述的交通控制信息包括：匝道限流控制信息和主路限速信息。
所述的潜在同质区域是指：由拥堵路段及潜在拥堵路段组成的区域，由于交通流的流动性，潜在同质区域内的路段与拥堵路段在交通动态上相似，更易受拥堵传播的影响。
所述的端-边-云三层架构中，端为参与交通的车辆、行人等，边为智能路边单元，装配有交通感知、通信、计算、存储设备，云为交通管理中心，负责整个城市交通路网的监管。
所述的监控包括：大规模交通调度及交通大数据处理。
所述的交通感知是指：路边单元获取的多源交通信息在边缘节点进行融合计算，实现交通状态实时感知，感知的交通状态和拥堵信息根据需要上传云计算中心。
所述的云计算中心包括：通信模块和中央计算模块，其中：通信模块与智能路边模块通信以实时获取路边模块收集的交通数据，实时感知交通网中的拥堵路段，中央计算模块根据拥堵程度或控制目标，依据拥堵路段及其周围路段的历史交通数据，应用时空λ连接性方法进行潜在同质区域辨识，并将辨识结果下发至智能路边模块。
所述的智能路边单元包括：智能传感单元、通信单元和边缘计算单元，其中：智能传感单元感知收集路网中行驶的智能网联车辆速度、位置信息以及路况和天气信息，通信单元与智能网联车辆进行通信并获取速度、位置信息、起止点信息、下发交通控制信息以及与邻居智能路边单元通信交换信息，边缘计算单元对实时交通数据进行清洗、补全处理并进行基于双一致性的分布式交通控制策略的计算。
所述的智能传感单元包括但不限于道路线圈、摄像头、雷达等。
所述的基于双一致性的分布式交通控制策略包括：首先基于邻居一致性约束和标准交替方向乘子法(ADMM)对邻居动态解耦，然后基于对偶一致性(dual-consensus)ADMM算法实现对交通流优化变量的本地求解。
技术效果
本发明整体解决了现有技术在制定交通控制策略时未考虑拥堵传播影响，以及集中式交通控制存在的通信、计算资源需求大，无法有效提升大规模路网交通控制性能的问题；本发明基于时空λ连接性方法，通过分析历史交通数据辨识潜在同质区域，一定程度上量化了交通拥堵的传播与影响，有助于提升交通优化效果；基于双一致性的分布式交通流控制算法可在边缘侧基于邻居节点通信计算交通控制策略，避免了中心云计算所带来的高通信、计算成本，同时具有更好的伸缩性；与现有技术相比，本发明易于布设，避免单点数据及控制中心故障造成严重影响，具有更好的弹性，可有效减少交通拥堵传播，提升路网通行效率。
附图说明
图1为本发明流程图；
图2为本发明分布式高速路优化系统图；
图3为实施例子路网拓扑图；
图4-图6为实施例效果示意图；
图7-图11为实施例子路网交通密度变化示意图；
图12为不同控制策略下的交通流量示意图。
具体实施方式
如图1所示，为本实施例涉及一种基于潜在同质区域辨识的分布式高速路优化方法，包括：
步骤1)如图2所示的端-边-云三层架构的智能交通系统基于C-V2X通信与智能传感单元实时感知如图3所示的城市高速路网的交通状态，当交通拥堵发生时，每个子路网部署的智能路边单元，即边缘节点将感知到的拥堵信息上传云计算中心。
所述的C-V2X通信包括：车车通信(如基于直连通信DSRC的车车通信)、基于蜂窝网的车与路边单元通信(V2R)、车与人通信(V2P)等。
所述的城市高速路网，依据拓扑图划分为多个子路网，每个子路网都建设有智能路边单元，云计算中心对整个路网状态进行监管，并存储有整个路网必要的历史交通信息。
所述的交通状态包括：交通密度，平均车速等。
步骤2)云计算中心基于对历史交通数据的分析，基于时空λ连接性方法辨识潜在同质区域及其动态交通容量δ(t)，并构建交通路网优化问题。
所述的时空λ连接性方法描述一定时间上路段间的关联性，通过对不同历史数据的采样分析，提出时空λ连接性方法，应对交通状态的时空变化，基于区域生长技术，实现对潜在同质区域进行辨识，具体为：当
Figure GDA0003560967900000031
成立时，则两邻居路段
Figure GDA0003560967900000032
与
Figure GDA0003560967900000033
是λ连接的，其中：
Figure GDA0003560967900000034
常数Λ∈[0,1]，任意两节点间的路径：
Figure GDA0003560967900000035
描述两邻居路段
Figure GDA0003560967900000036
与
Figure GDA0003560967900000037
在t时刻的连接性的隐函数：
Figure GDA0003560967900000038
Figure GDA0003560967900000039
和
Figure GDA00035609679000000310
分别是路段
Figure GDA00035609679000000311
和路段
Figure GDA00035609679000000312
的交通密度，d是两路段中心点的地理距离，a与b为权重系数。
所有与拥堵路段存在λ连接关系的路段都被辨识为潜在同质区域，基于区域生长机制，可以最终确定潜在同质区域。
所述的交通路网优化问题的优化目标为所有子路网内车辆通行时间最少，结合经典交通流模型(如CTM)构建为有限时域滚动优化问题。
步骤3)潜在同质区域内各子路网的智能路边单元接收云计算中心信息并基于与邻居节点通信，基于邻居一致性约束和标准交替方向乘子法，实现对具有全局约束和邻居动态耦合的集中式交通优化问题进行求解，确定包括匝道限流与主路可变限速的本地交通控制策略。
所述的集中式交通优化问题是指：
Figure GDA0003560967900000041
其中：xi(k)＝[ρi(k) qi(k)]T为交通状态，ui(k)＝[ri(k) φi(k)]T为交通控制变量，Bij为相应的系数矩阵，ψi为不受控制的车辆，如认为驾驶汽车，且满足交通动态模型约束。
所述的交通动态模型，包括：
i)队列平衡方程：
qi(k+1)＝qi(k)+Δt(σi(k)-ri(k))
Figure GDA0003560967900000042
其中：qi为上匝道车辆队列长度，ρi为主路交通密度，Li为路段长度，βi为下匝道分离率，Δt为采样间隔，σi(k)为交通需求
ii)流量约束方程：
Figure GDA0003560967900000043
该非凸流量约束方程导致优化问题难以求解，根据现有技术可等效松弛为如下不等式约束，Vmax与Cmax为指定的常数：
：
Figure GDA0003560967900000044
iii)潜在同质区域的动态流量约束：
Figure GDA0003560967900000045
其中：
Figure GDA0003560967900000046
为外部交通需求的函数，
Figure GDA0003560967900000047
为通过云计算中心对历史数据分析得出的潜在同质区域的通行能力。
所述的基于邻居一致性约束和标准交替方向乘子法具体包括：
a)由于本地交通动态受邻居路段影响，首先引入相邻一致性约束：
Figure GDA0003560967900000051
当um是un的本地副本，则
Figure GDA0003560967900000052
否则为0；u为ui的组合向量，则交通网优化目标，即所有子路网内车辆通行时间
Figure GDA0003560967900000053
可根据部分增广拉格朗日函数转化为带有惩罚项的优化目标：
Figure GDA0003560967900000054
其中，
Figure GDA0003560967900000055
b)基于标准的交替方向乘子法(ADMM)包括：
b.1)
Figure GDA0003560967900000056
其中：本地变量ui更新依赖于全局信息，无法直接分布式求解，进一步分析，采用基于对偶一致性的ADMM算法，对本地变量进行更新；
b.2)
Figure GDA0003560967900000057
其中：网络变量u可按下式进行更新
Figure GDA0003560967900000058
b.3)对偶变量更新：
Figure GDA0003560967900000059
步骤4)智能路边单元基于C-V2X通信将本地交通控制策略下发到智能网联汽车，各个智能网联汽车基于接收到相应的交通控制策略并根据相应交通策略进行通行，实现分布式交通优化控制。
应用上海市实际网络拓扑与交通数据，在基于MATLAB的仿真环境设置下运行上述方法，得到实验数据如图4-图6所示，图4为λ＝0.5时潜在同质区域范围；图5为λ＝0.1时潜在同质区域范围；图6为λ＝0.05时潜在同质区域范围。如图可见λ取值越小，辨识的潜在同质区域越大，可根据交通拥堵程度调节。如图7-11所示，图7为无控制时路网交通密度变化；图8为ALINEA控制下路网交通密度变化；图9为λ＝0.5时路网交通密度变化；图10为λ＝0.1时路网交通密度变化；图11为λ＝0.05时交通密度变化；如图可见，相较于无控制和经典的ALENEA控制策略，该发明可以更好地降低拥堵时路网的交通密度，同时图12中不同控制策略下的交通流量显示，相较于其他方法，该方法能大幅提升交通网的通行能力。
与现有技术相比，本方法能有效降低路网拥堵程度提升路网交通流量
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (6)

1.一种基于潜在同质区域分析的分布式高速路优化系统，其特征在于，为端-边-云三层架构，包括：进行城市路网交通状态监控的云计算中心、部署在每个子路网边缘侧的智能路边单元以及智能网联汽车，其中：云计算中心可与智能路边单元进行通信，智能路边单元进行交通感知、信息传输、时间敏感型业务计算，智能网联汽车与路边单元通信以上传车辆状态信息和/或下载交通控制信息；
所述的车辆状态信息包括：速度、位置信息、起止点信息、下发交通控制信息以及与邻居智能路边单元通信交换信息；
所述的交通控制信息包括：匝道限流控制信息和主路限速信息；
所述的潜在同质区域是指：由拥堵路段及潜在拥堵路段组成的区域，由于交通流的流动性，潜在同质区域内的路段与拥堵路段在交通动态上相似，更易受拥堵传播的影响；
所述的潜在同质区域辨识的分布式高速路优化方法，包括：
步骤1)端-边-云三层架构的智能交通系统基于C-V2X通信与智能传感单元实时感知城市高速路网的交通状态，当交通拥堵发生时，每个子路网部署的智能路边单元，即边缘节点将感知到的拥堵信息上传云计算中心；
步骤2)云计算中心基于对历史交通数据的分析，基于时空λ连接性方法辨识潜在同质区域及其动态交通容量δ(t)，并构建交通路网优化问题；
步骤3)潜在同质区域内各子路网的智能路边单元接收云计算中心信息并基于与邻居节点通信，基于邻居一致性约束和标准交替方向乘子法，实现对具有全局约束和邻居动态耦合的集中式交通优化问题进行求解，确定包括匝道限流与主路可变限速的本地交通控制策略；
步骤4)智能路边单元基于C-V2X通信将本地交通控制策略下发到智能网联汽车，各个智能网联汽车基于接收到相应的交通控制策略并根据相应交通策略进行通行，实现分布式交通优化控制；
所述的城市高速路网，依据拓扑图划分为多个子路网，每个子路网都建设有智能路边单元，云计算中心对整个路网状态进行监管，并存储有整个路网必要的历史交通信息；
所述的时空λ连接性方法描述一定时间上路段间的关联性，通过对不同历史数据的采样分析，提出时空λ连接性方法，应对交通状态的时空变化，基于区域生长技术，实现对潜在同质区域进行辨识，具体为：当
Figure FDA0003606793430000011
成立时，则两邻居路段
Figure FDA0003606793430000012
与
Figure FDA0003606793430000013
是λ连接的，其中：
Figure FDA0003606793430000014
常数Λ∈[0,1]，任意两节点间的路径：
Figure FDA0003606793430000015
描述两邻居路段
Figure FDA0003606793430000016
与
Figure FDA0003606793430000017
在t时刻的连接性的隐函数：
Figure FDA0003606793430000021
Figure FDA0003606793430000022
和
Figure FDA0003606793430000023
分别是路段
Figure FDA0003606793430000024
和路段
Figure FDA0003606793430000025
的交通密度，d是两路段中心点的地理距离，a与b为权重系数；
所述的基于邻居一致性约束和标准交替方向乘子法具体包括：
a)由于本地交通动态受邻居路段影响，首先引入相邻一致性约束：
Figure FDA0003606793430000026
当um是un的本地副本，则
Figure FDA0003606793430000027
否则为0；则交通网优化目标，即所有子路网内车辆通行时间
Figure FDA0003606793430000028
可根据部分增广拉格朗日函数转化为带有惩罚项的优化目标：
Figure FDA0003606793430000029
其中，
Figure FDA00036067934300000210
b)基于标准的交替方向乘子法包括：
b.1)
Figure FDA00036067934300000211
其中：本地变量ui更新依赖于全局信息，无法直接分布式求解，进一步分析，采用基于对偶一致性的ADMM算法，对本地变量进行更新；
b.2)
Figure FDA00036067934300000212
其中：网络变量u可按下式进行更新
Figure FDA00036067934300000213
b.3)对偶变量更新：
Figure FDA00036067934300000214
所述的集中式交通优化问题是指：
Figure FDA00036067934300000215
其中：
Figure FDA00036067934300000216
为交通状态，
Figure FDA00036067934300000217
为交通控制变量，Bij为相应的系数矩阵，ψi为不受控制的车辆，且满足交通动态模型约束；
所述的交通动态模型，包括：
i)队列平衡方程：
qi(k+1)＝qi(k)+Δt(σi(k)-ri(k))
Figure FDA0003606793430000031
其中：li为上匝道车辆队列长度，ρi为主路交通密度，Li为路段长度，βi为下匝道分离率，Δt为采样间隔，σi(k)为交通需求；
ii)非凸流量约束方程：
Figure FDA0003606793430000032
该非凸流量约束方程导致优化问题难以求解，根据现有技术可等效松弛为如下不等式约束，Vmax与Cmax为指定的常数：
Figure FDA0003606793430000033
iii)潜在同质区域的动态流量约束：
Figure FDA0003606793430000034
其中：
Figure FDA0003606793430000035
为外部交通需求的函数，
Figure FDA0003606793430000036
为通过云计算中心对历史数据分析得出的潜在同质区域的通行能力。
2.根据权利要求1所述的基于潜在同质区域分析的分布式高速路优化系统，其特征是，所述的端-边-云三层架构中，端为参与交通的车辆、行人，边为智能路边单元，装配有交通感知、通信、计算、存储设备，云为交通管理中心，负责整个城市交通路网的监管；
所述的监管包括：大规模交通调度及交通大数据处理；
所述的交通感知是指：路边单元获取的多源交通信息在边缘节点进行融合计算，实现交通状态实时感知，感知的交通状态和拥堵信息根据需要上传云计算中心。
3.根据权利要求1所述的基于潜在同质区域分析的分布式高速路优化系统，其特征是，所述的云计算中心包括：通信模块和中央计算模块，其中：通信模块与智能路边模块通信以实时获取路边模块收集的交通数据，实时感知交通网中的拥堵路段，中央计算模块根据拥堵程度或控制目标，依据拥堵路段及其周围路段的历史交通数据，应用时空λ连接性方法进行潜在同质区域辨识，并将辨识结果下发至智能路边模块。
4.根据权利要求1所述的基于潜在同质区域分析的分布式高速路优化系统，其特征是，所述的智能路边单元包括：智能传感单元、通信单元和边缘计算单元，其中：智能传感单元感知收集路网中行驶的智能网联车辆速度、位置信息以及路况及天气信息，通信单元与智能网联车辆进行通信并获取速度、位置信息、起止点信息、下发交通控制信息以及与邻居智能路边单元通信交换信息，边缘计算单元对实时交通数据进行清洗、补全处理并进行基于双一致性的分布式交通控制策略的计算。
5.根据权利要求4所述的基于潜在同质区域分析的分布式高速路优化系统，其特征是，所述的智能传感单元包括道路线圈、摄像头、雷达。
6.根据权利要求4所述的基于潜在同质区域分析的分布式高速路优化系统，其特征是，所述的基于双一致性的分布式交通控制策略包括：首先基于邻居一致性约束和标准交替方向乘子法对邻居动态解耦，然后基于对偶一致性ADMM算法实现对交通流优化变量的本地求解。
CN202110835130.7A 2021-07-23 2021-07-23 基于潜在同质区域分析的分布式高速路优化系统及方法 Active CN113362605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110835130.7A CN113362605B (zh) 2021-07-23 2021-07-23 基于潜在同质区域分析的分布式高速路优化系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110835130.7A CN113362605B (zh) 2021-07-23 2021-07-23 基于潜在同质区域分析的分布式高速路优化系统及方法

Publications (2)

Publication Number Publication Date
CN113362605A CN113362605A (zh) 2021-09-07
CN113362605B true CN113362605B (zh) 2022-06-21

Family

ID=77540231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110835130.7A Active CN113362605B (zh) 2021-07-23 2021-07-23 基于潜在同质区域分析的分布式高速路优化系统及方法

Country Status (1)

Country Link
CN (1) CN113362605B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120632B (zh) * 2021-11-01 2022-12-09 东南大学 基于导航地图的高速改扩建期间交通管控方法
CN114241140B (zh) * 2022-02-24 2022-05-20 武汉图景空间信息技术有限公司 一种基于gis的车流实景三维建模方法和系统
CN115116225B (zh) * 2022-06-23 2023-08-04 上海交通大学 一种面向混合交通流的数据驱动随机模型预测控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542805A (zh) * 2012-03-08 2012-07-04 南京理工大学常熟研究院有限公司 基于视频判断交通拥堵的装置
CN104778835A (zh) * 2015-03-17 2015-07-15 同济大学 一种高等级道路多瓶颈点拥堵演化时空范围识别方法
CN105809953A (zh) * 2014-12-27 2016-07-27 吉林大学 一种基于m2m的城市交通流车路协同控制方法
CN107154156A (zh) * 2017-07-13 2017-09-12 李志远 基于自组网数据通信的智能交通控制技术
CN108349589A (zh) * 2015-07-27 2018-07-31 珍吉斯科姆控股有限责任公司 协作mimo系统中的机载中继
CN111371904A (zh) * 2020-03-18 2020-07-03 交通运输部公路科学研究院 云边端协同的高速公路云控系统及控制方法
CN111367292A (zh) * 2020-03-20 2020-07-03 特路（北京）科技有限公司 自动驾驶汽车智能道路系统
CN111640304A (zh) * 2020-06-04 2020-09-08 扬州大学 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
WO2021073716A1 (en) * 2019-10-14 2021-04-22 Huawei Technologies Co., Ltd. Traffic reasoner

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6144639A (en) * 1996-09-03 2000-11-07 Sbc Technology Resources, Inc. Apparatus and method for congestion control in high speed networks
US7739030B2 (en) * 2007-11-13 2010-06-15 Desai Shitalkumar V Relieving urban traffic congestion
CN104575021B (zh) * 2014-12-17 2016-06-15 浙江工业大学 基于邻域优化城市路网系统的分布式模型预测控制方法
CN105632171A (zh) * 2015-12-29 2016-06-01 安徽海兴泰瑞智能科技有限公司 一种交通路况视频监控方法
BR102017019865A2 (pt) * 2017-09-15 2019-04-16 Velsis Sistemas E Tecnologia Viaria S/A Sistema preditivo, integrado e inteligente para controle de tempos em semáforos de trânsito
CN111882878B (zh) * 2020-09-02 2021-07-02 烟台大学 一种基于交通流预测的最大化关键道路通行能力的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542805A (zh) * 2012-03-08 2012-07-04 南京理工大学常熟研究院有限公司 基于视频判断交通拥堵的装置
CN105809953A (zh) * 2014-12-27 2016-07-27 吉林大学 一种基于m2m的城市交通流车路协同控制方法
CN104778835A (zh) * 2015-03-17 2015-07-15 同济大学 一种高等级道路多瓶颈点拥堵演化时空范围识别方法
CN108349589A (zh) * 2015-07-27 2018-07-31 珍吉斯科姆控股有限责任公司 协作mimo系统中的机载中继
CN107154156A (zh) * 2017-07-13 2017-09-12 李志远 基于自组网数据通信的智能交通控制技术
WO2021073716A1 (en) * 2019-10-14 2021-04-22 Huawei Technologies Co., Ltd. Traffic reasoner
CN111371904A (zh) * 2020-03-18 2020-07-03 交通运输部公路科学研究院 云边端协同的高速公路云控系统及控制方法
CN111367292A (zh) * 2020-03-20 2020-07-03 特路（北京）科技有限公司 自动驾驶汽车智能道路系统
CN111640304A (zh) * 2020-06-04 2020-09-08 扬州大学 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Coordinated Multi-ramp Control Based on Stratification Structure and Particle Swarm Algorithm;Liang Xinrong,Yan Mu;《2016 International Conference on Smart City and System Engineering》;20170308;全文 *
交通流分布式并行模拟建模理论与方法的框架;魏丽英等;《公路交通科技》;20010220(第01期);全文 *
基于时空检测的城市交通网络瓶颈识别方法研究;丁恒等;《合肥工业大学学报(自然科学版)》;20160728(第07期);全文 *

Also Published As

Publication number Publication date
CN113362605A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113362605B (zh) 基于潜在同质区域分析的分布式高速路优化系统及方法
US11587436B1 (en) Methods for controlling traffic scheduling strategies in smart cities and Internet of Things (IoT) systems thereof
Wei et al. A survey on traffic signal control methods
US6539300B2 (en) Method for regional system wide optimal signal timing for traffic control based on wireless phone networks
CN113947900A (zh) 一种智能网联快速路匝道协同控制系统
US20080033630A1 (en) System and method of predicting traffic speed based on speed of neighboring link
CN103927887A (zh) 结合离散速度模型的阵列式fpga交通状态预测及控制系统
Kafi et al. A study of wireless sensor network architectures and projects for traffic light monitoring
US20220375340A1 (en) Machine-learning based control of traffic operation
CN116363891B (zh) 基于车联网的智慧城市网外运算方法及系统
CN109816978B (zh) 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法
CN117252304A (zh) 考虑大客流预警信息的轨道交通拥挤传播评估与控制方法
Hawas et al. Optimized multistage fuzzy-based model for incident detection and management on urban streets
Li et al. A traffic congestion aware vehicle-to-vehicle communication framework based on Voronoi diagram and information granularity
Yu et al. GPS data mining at signalized intersections for congestion charging
CN113963538B (zh) 基于数据自流动的智慧公路信息物理系统
CN110428648B (zh) 基于svm和计算机网络的交通信号控制方法及控制系统
Chanloha et al. Cell transmission model-based multiagent Q-learning for network-scale signal control with transit priority
Yang et al. A path planning algorithm based on mutual assistance trip in traffic congested network
CN113053100A (zh) 一种公交到站时间的预估方法及装置
CN116612636B (zh) 基于多智能体强化学习的信号灯协同控制方法
CN116153084B (zh) 车辆流向预测方法、预测系统及城市交通信号机控制方法
Yu et al. A self-adapting data collection approach in wireless sensor networks for urban traffic information monitoring
Sachan et al. S-Edge: Smart Edge Computing Framework for Real-time Heterogeneous Vehicular Network
Hajoui et al. Application model of tasks scheduling problem in distributed systems solving problems of road traffic planning in smart cities

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