CN113408189B - 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法 - Google Patents

基于可变元胞的城市多点循环式紧急疏散与仿真推演方法 Download PDF

Info

Publication number
CN113408189B
CN113408189B CN202110584850.0A CN202110584850A CN113408189B CN 113408189 B CN113408189 B CN 113408189B CN 202110584850 A CN202110584850 A CN 202110584850A CN 113408189 B CN113408189 B CN 113408189B
Authority
CN
China
Prior art keywords
evacuation
cell
vehicles
time
vehicle
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
CN202110584850.0A
Other languages
English (en)
Other versions
CN113408189A (zh
Inventor
林永杰
赵敏
徐建闽
卢凯
马莹莹
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110584850.0A priority Critical patent/CN113408189B/zh
Publication of CN113408189A publication Critical patent/CN113408189A/zh
Application granted granted Critical
Publication of CN113408189B publication Critical patent/CN113408189B/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]
    • G06F30/20—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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供的基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，该方法包括：S1、初始化交通疏散路网，指定多个停车点、疏散点、安全点，并获取交通状态；S2、将实际路网及疏散场景映射到以可变元胞传输模型为基础的虚拟路网；S3、建立车辆多对多循环往复式疏散的路径选择模型，并建模进行参数求解；S4、在虚拟路网中对确定场景下求解的疏散路径进行即时仿真预演评价；S5、根据仿真结果诊断是否存在疏散瓶颈，不存在则输出疏散路径及评价指标；存在则优化瓶颈后重复步骤S2‑S4，直至消除疏散瓶颈或者达到疏散目标。本发明综合性强、适用性广、可靠性高，综合了车辆路径选择、疏散控制措施、交通仿真评价等关键技术；可适应不同场景下的疏散路网；经示例验证确定了仿真评价的可靠性。

Description

基于可变元胞的城市多点循环式紧急疏散与仿真推演方法
技术领域
本发明涉及基于交通仿真的城市交通应急疏散领域，具体而言，涉及基于可变元胞的城市多点循环式紧急疏散与仿真推演方法。
背景技术
近年来，大国城市主办或承办了越来越多的大规模运动会、峰会、赛事等活动，加之城市人口分布密集、交通运输系统复杂、出行需求量大、应急资源有限，当大型活动或人员高度密集区发生火灾、踩踏等意外事件时，有必要做好突发意外事件的应急疏散措施，否则容易引起不必要甚至重大的人员伤亡和经济财产损失。
上升为紧急疏散的意外事件可看作是有限时空范围内交通量不确定激增的系统性灾难，而在城市交通拥堵已经日趋严重的背景下，公共交通系统(如地面公交、轨道交通等)以容量大、道路资源占用少、可靠性高、可控性强的优势势必会成为最适合的城市应急疏散工具。由于意外事件突然、难以预测，事件区域往往没有足够的公共汽车用于疏散大量人群前往安全点。通常，需要公交车从邻近公交场站前往事件发生区域，然后搭载疏散人员去往安全区域，最后返回公交场站。因此，该应急疏散过程可被描述为有限资源条件下合理配置车辆和设定救援路线的运筹学分配问题。
现阶段，应急疏散问题求解大致分为仿真和理论优化两种方式，仿真模型又可分为宏观、中观和微观三大类别。仿真模型相比理论模型更能让研究者清晰、直观地观察到整个应急疏散过程，并能快速发现暴露的局部问题，但不一定能找到疏散路径最优解。理论模型根据研究场景和优化目标可划分为不同的种类，大部分可以得到最优解，但无法发现局部路网的问题、难以适应路网需求和运行情况动态波动的情况。国内外大量学者已经从路径规划等角度研究了运用公交车进行紧急疏散的问题，但对以下几种问题还缺乏考虑：
(1)较少考虑疏散区域、安全点的容量与多点同步疏散问题，如对公交车从多个公交站场赶往多个事故区域、等待疏散人员上车后去往多个安全区域、公交车可多次返回事故区域的多对多循环式疏散过程进行整体研究；
(2)较少考虑路网失效叠加风险情况，如疏散过程中交通实际路况的干扰、疏散道路和节点失效的情况，而这样的情况在实际场景中较为常见；
(3)没有提供完整的一套优化机制和方法，如将疏散路径选择结果、仿真预演评价和应急疏散措施优化等关键技术结合为一体，形成完整的疏散方法体系，从而为相关部门提供决策支持。
发明内容
本发明的目的在于提供一种基于可变元胞传输模型(Variable CellTransmission Model，VCTM)的城市多点循环式紧急疏散与仿真推演方法，研究的是更符合实际的车辆从多个场站、前往多个疏散区域、再转移到多个安全区域的“多对多”复杂疏散问题，并以完成疏散任务为前提的最短总行程时间。本发明中，提出的可变元胞传输模型是指将路段划分为多个长度可不等的小段，称之为元胞，并将时间离散为均匀的时间段，元胞的交通流状态每时段更新一次。基于VCTM的应急疏散体系体现在：实际路网按照可变元胞的定义映射到仿真路网；求解车辆路径选择的算法遵循可变元胞传输的规则；仿真推演基于可变元胞传输的原理评价疏散路径、诊断潜在瓶颈。
仿真推演以可变元胞传输模型为基础，能够仿真车辆按照优化的疏散路径在不同交通状态、路网节点失效和实施交通控制措施(逆向车道和交叉口控制)场景下的运行情况，能够得到疏散过程中路网交通量实时变化情况和每一辆疏散车辆的疏散时间和路径。该仿真推演能够广泛适应城市道路结构的变化，并且得到的评价指标经验证具有较高可靠性。
为了实现本发明目的，本发明提供的基于可变元胞传输模型的城市多点循环式紧急疏散与仿真推演方法，包括如下步骤：
S1、初始化交通疏散路网，指定多个停车点、多个疏散点和多个安全点，并获取交通状态；
S2、将实际路网及疏散场景映射到以可变元胞传输模型为基础的虚拟路网；
S3、建立车辆多对多循环往复式疏散的路径选择模型，并建模进行参数求解，得到车辆的疏散路径和最小疏散时间；
S4、在虚拟路网中对确定场景下求解的疏散路径进行即时仿真预演评价，所述仿真预演评价包括评价指标；
S5、根据仿真预演评价诊断是否存在疏散瓶颈，不存在则输出疏散路径及评价指标；存在则优化瓶颈后重复步骤S2-S4，直至消除疏散瓶颈或者达到疏散目标，其中，当路段延误Dxl、交叉口延误Dyc均分别超过设定的阈值Dx0、Dy0且未达到疏散目标时，判断为存在疏散瓶颈。
进一步的，步骤S1包括如下子步骤：
S101、确定疏散场景；
S102、定义路网的静态特征参数；
S103、获取疏散路网的动态交通流状态。
进一步的，步骤S2包括如下子步骤：
S201、将实际路段、交叉口的属性特征对应到虚拟路网；
S202、将疏散场景的属性特征变化对应到虚拟路网。
进一步的，所述的步骤S2中实际路网按照可变元胞的定义映射到仿真路网；
可变元胞是指元胞长度可变，元胞长度li与给定的标准元胞长度l0满足：
l0≤li≤2l0
可流入或流出元胞的最大车辆数Q由单向路段的设计通行能力决定：
Q＝Na×Nb×Nc×Nd×T
Na为确定车速下一条车道的通行能力；Nb为所属车道类型的道路分类系数；Nc为车道数分类系数；Nd为交叉口修正系数；T为时间间隔；
元胞的最大容量N满足：
N＝kj×li×ln
kj为车辆阻塞密度；ln为元胞对应的车道数；
在建立可变元胞传输模型时，路段首先以车道数不同分为若干小段，若小段不满足l0≤li≤2l0，则将小段分为若干长度为l0的元胞和一个长度为li的元胞，若满足则记为一个元胞；最靠近交叉口进口道的元胞记为该路段的最后一个元胞，记录预定的车辆转向比例，交叉口信号灯将每一相位分为有效绿灯时间和红灯时间，周期运行，当最后一个元胞有需要转向的车辆且该相位运行在有效绿灯时间时，车辆转向去到其他路段的第一个元胞。
进一步的，所述S3具体包括：
S301、设疏散网络为G＝(P,E,S,R)，P＝{P1,P2,…,Pm}为有限停车点的集合；E＝{E1,E2,…,En}为有限疏散点的集合；S＝{S1,S2,…,Sq}为有限安全点的集合，R为网络中有限弧的集合；
S302、基于可变元胞传输模型，以总疏散时间最小为目标建立车辆多对多循环疏散的路径选择模型；
S303、求解路径选择模型，得到车辆的完整疏散路径和最小疏散时间。
进一步地，所述路径选择模型中的总疏散时间由总流量乘以时间间隔得到，其中，总流量的目标函数为：
Figure GDA0004011420700000041
Z1为所有时段的元胞的流量总和，T为时间间隔，C表示元胞的集合，CR为表示停车点和安全点的元胞集，
Figure GDA0004011420700000042
为t时段的元胞i上的流量；
其中，
Figure GDA0004011420700000043
Figure GDA0004011420700000044
式中，
Figure GDA0004011420700000045
为t时段的元胞i上的流量；
Figure GDA0004011420700000046
为t-1时段的元胞i上的流量；
Figure GDA0004011420700000047
为t-1时段从元胞p到元胞i的流量；
Figure GDA0004011420700000048
为t时段从元胞i到元胞j的流量；
Figure GDA0004011420700000049
为t-1时段从元胞i到元胞j的流量；C表示元胞的集合；Γ-1(i)为元胞i的上游相邻元胞集；Γ(i)为元胞i的下游相邻元胞集；l0为标准的元胞长度；li为元胞i长度，lj为元胞j长度；
Figure GDA00040114207000000410
为t时段可流入或流出元胞i的最大车辆数量，
Figure GDA00040114207000000411
为t时段可流入或流出元胞j的最大车辆数量；
Figure GDA00040114207000000412
为t时段的元胞j的w/v值，v为自由流速度，w为拥堵时反向传播速度；
Figure GDA00040114207000000413
为t时段的元胞j的最大容量；
Figure GDA00040114207000000414
为t时段的元胞j上的流量。
进一步地，所述S302中，车辆路径选择时应遵循疏散计划，公式如下：
Figure GDA00040114207000000415
Figure GDA00040114207000000416
其中，mk为每个安全点到达的车辆数；nl为每个疏散点需要的车辆数；Γ-1(i)为元胞i的上游相邻元胞集；p表示元胞i的上游相邻元胞；
Figure GDA00040114207000000417
为t时段从元胞p到元胞i的流量；Γ(i)为元胞i的下游相邻元胞集；j表示元胞i的下游相邻元胞；
Figure GDA00040114207000000418
为t时段从元胞i到元胞j的流量；ni为元胞i需要的车辆数，此时元胞i处于疏散点上；Ce为表示疏散点的元胞集。
进一步地，所述S302中使用A*算法建立代价估值函数来优化路径，估值函数如下：
F(i)＝G(i)+H(i) i∈C
Figure GDA0004011420700000051
Figure GDA0004011420700000052
Figure GDA0004011420700000053
Figure GDA0004011420700000054
Figure GDA0004011420700000055
其中F(i)表示疏散起点到元胞i再到疏散终点的代价预估值，G(i)表示疏散起点到元胞i代价实际消耗值，H(i)表示元胞i到疏散终点的代价预估值；ci1表示元胞i到疏散起点的距离预估值；di表示元胞i到疏散起点的距离；d(i)max表示元胞i到疏散起点的最大距离；ci2表示元胞i到疏散终点的距离预估值；Si表示元胞i到疏散终点的路程；S(i)max表示元胞i到疏散终点的最大路程；ci3表示由路网中已有车辆造成的元胞i的拥挤度预估值；Wi表示元胞i已有的车辆数，车辆不包括规划的车辆；N(i)max表示元胞i最大可容纳的车辆数；ci4表示在k时刻规划第z辆车的下一步路径时，由已经规划的z-1辆车造成的元胞i的拥挤度预估值；∑wzi表示元胞i已经进入的规划车辆总数；
Figure GDA0004011420700000056
表示ci1的系数；
Figure GDA0004011420700000057
表示ci2的系数；
Figure GDA0004011420700000058
表示ci3的系数；
Figure GDA0004011420700000059
表示ci4的系数；
优化的目标函数为代价预估值最小：Z2＝min F(i)。
进一步地，所述评价指标包括疏散车辆的行程时间、延误时间、停车时间、平均速度、排队情况。
进一步地，S5所述疏散瓶颈包括路段瓶颈、交叉口瓶颈和交通路况瓶颈中的任一种。
S501、路段瓶颈，可实行逆向车道，包括实施逆向车道的路段和车道数；
S502、交叉口瓶颈，可优化交叉口控制，包括渠化控制和信号控制；
S503、交通路况瓶颈，可对社会车辆实施管控，减少其通行权，保证疏散车辆优先通行。
与现有技术相比，本发明的有益效果至少如下：
(1)本发明综合性强、适用性广。该车辆紧急疏散体系综合了车辆疏散路径选择、交通仿真评价、疏散瓶颈点诊断等关键技术，能够形成完整的应急疏散规划方法体系。本发明可适应不同场景下的疏散路网，因而具有较强的实用性。
(2)本发明的车辆多对多循环疏散过程丰富了疏散场景。车辆疏散适用于我国城市人口和资源高度密集的基本处境；从多个车辆停车点到多个疏散点再到多个安全点的疏散过程适应了日趋复杂的疏散场景；车辆从安全点返回疏散点循环疏散直至所有人员到达安全点，考虑了疏散车辆有限的情况。自然，本发明适用于较上述场景更简单的情况。
(3)本发明的紧急疏散体系在选择车辆疏散路径时考虑了交通路况和道路承载能力。诱导疏散车辆避开可能的交通拥堵点，避免所有疏散车辆选择同一最短疏散路径而超过道路承载能力造成拥堵，以总疏散时间最小化为目标实现整体的最优。
(4)本发明的仿真推演能即时预演疏散过程，通过定量评价指标从而发现潜在的疏散瓶颈，为后续开展疏散救援提供决策支持。
附图说明
图1为基于可变元胞的城市多点循环式紧急疏散体系流程图；
图2为可变元胞划分示意图；
图3为车辆在疏散网络中多对多循环行驶的路径示意图；
图4为融合元胞传输模型的A*算法路径选择流程图；
图5为疏散过程可视化仿真界面示例图；
图6为疏散路网设置逆向车道决策流程图。
具体实施方式
为了更清楚地说明本发明，下面结合实施例和附图对本发明做进一步的详述。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1是本发明的流程图，提出了基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，包括如下步骤：
S1、初始化交通疏散路网，指定多个停车点、多个疏散点和多个安全点，并获取交通状态。
步骤S1具体包括以下子步骤：
S101、确定疏散场景，包括疏散的范围、预计时间、车辆行驶方式等；
在本发明其中一个实施例中，选定的疏散范围中，指定了多个停车点、多个疏散点和多个安全点。选定的疏散参数包括：疏散人数、车辆容量、所需车辆数目、车辆自由流速度、拥堵时反向传播速度、预定疏散时间、时间间隔。指定疏散过程为：车辆从多个停车点出发去往多个疏散点，待疏散人员上车后去往多个安全点，车辆在疏散点与安全点之间循环疏散直至所有人员疏散完毕。
S102、定义路网的静态特征参数；
在本发明其中一个实施例中，路网特征包括：路段编号、路段总长度、路段车道数变化情况、交叉口编号、交叉口性质(三岔口，十字路口等)、信号配时方案(信号相位及配时时长)。其中从交叉口a到交叉口b视为一条路段，从交叉口b到交叉口a视为另一条路段。
S103、获取疏散路网的动态交通流状态。
在本发明其中一个实施例中，考虑了疏散过程中的路网交通流状态对车辆路径规划的影响，将以某一时间间隔获取并更新路网的交通流状态，以便疏散车辆避开或少部分地通过拥堵路段。交通流状态可以路段上密度、车辆数等任一种形式展现。
在本发明其中一个实施例中，由于意外事件突然发生时，难以获得疏散区域内的实时交通流状态，即使获得，也来不及将车辆疏散路径付诸实施。因此，将疏散区域的历史交通流状态作为当前疏散网络内的交通流状态，用于规划车辆的疏散路径。
S2、将实际路网及疏散场景映射到以可变元胞传输模型为基础的虚拟路网。
步骤S2具体包括：
S201、将实际路段、交叉口的属性特征对应到虚拟路网；
在本发明其中一个实施例中，对实际的路段和交叉口进行编号，并对虚拟路网的路段和交叉口进行编号。通过编号将实际路网与虚拟路网联合，虚拟路网划分为长度可变的元胞，这样实际路网中的静态或动态特征参数能转化为元胞的属性，为求解疏散路径和即时仿真提供基础。一个元胞的属性包括但不限于：元胞长度、可流入或流出元胞的最大车辆数、元胞的最大容量、元胞已有的车辆数、元胞的编号。
在本发明其中一个实施例中，可变元胞是指元胞长度可变，用于适应城市道路复杂渠化情况，元胞长度相差过大会降低模型精度，元胞长度li与给定的标准元胞长度l0要满足：
l0≤li≤2l0 (1)
可流入或流出元胞的最大车辆数Q由单向路段的设计通行能力(pcu/h)决定：
Q＝Na×Nb×Nc×Nd×T (2)
Na为确定车速下一条车道的通行能力(pcu/h)；Nb为所属车道类型的道路分类系数；Nc为车道数分类系数；Nd为交叉口修正系数；T为时间间隔(s)。
元胞的最大容量N满足：
N＝kj×li×ln (3)
kj为车辆阻塞密度(辆/km)；ln为元胞对应的车道数。
在本发明其中一个实施例中，可变元胞划分示意如图2所示，设给定的标准元胞长度l0＝100m，路段首先以车道数不同分为若干小段，若小段不满足式(1)，则将小段分为若干长度为l0的元胞、一个长度为li的元胞，若小段满足式(1)则记为一个元胞。最靠近交叉口进口道的元胞记为该路段的最后一个元胞，记录预定的车辆转向比例，实际转向的车辆数由转向比例、最后一个元胞的车辆数、信号灯综合决定。交叉口信号灯将每一相位分为有效绿灯时间和红灯时间，周期运行，当最后一个元胞有需要转向的车辆且该相位运行在有效绿灯时间时，车辆转向去到其他路段的第一个元胞。
S202、将疏散场景的属性特征变化对应到虚拟路网。
在本发明其中一个实施例中，疏散场景为车辆多对多循环疏散，此步骤在虚拟路网中指定多个停车点，为车辆产生的点；多个疏散点，为疏散人员上车的点；多个安全点，为疏散人员下车的点。在实际路网中实施的逆向车道、交叉口信号优化等疏散控制措施，可通过元胞属性变化，映射到虚拟路网中。
S3、建立车辆多对多循环疏散的路径选择模型，并建模进行参数求解，得到车辆的疏散路径和最小疏散时间。
步骤S3具体包括：
S301、问题描述，将实际的应急疏散过程抽象化，用简洁的字母、参数表示；
在本发明其中一个实施例中，设疏散网络为G＝(P,E,S,R)。式中：P＝{P1,P2,…,Pm}为有限停车点的集合，E＝{E1,E2,…,En}为有限疏散点的集合，S＝{S1,S2,…,Sq}为有限安全点的集合，R为网络中有限弧的集合。它们之间的联系如图3所示，车辆从停车场出发，去往不同疏散点、待疏散人员上车后，车辆去往安全点，整个疏散过程结束后车辆回到停车场。
S302、模型建立，以总疏散时间最小为目标建立车辆多对多循环疏散的路径选择模型；
在本发明其中一个实施例中，路径选择模型建立在可变元胞传输模型上，故车辆选择路径时应遵循元胞的流量守恒公式，如下：
Figure GDA0004011420700000091
Figure GDA0004011420700000092
其中，
Figure GDA0004011420700000093
为t时段的元胞i上的流量；
Figure GDA0004011420700000094
为t-1时段的元胞i上的流量；
Figure GDA0004011420700000095
为t-1时段从元胞p到元胞i的流量；
Figure GDA0004011420700000096
为t时段从元胞i到元胞j的流量；
Figure GDA0004011420700000097
为t-1时段从元胞i到元胞j的流量；C表示元胞的集合；Γ-1(i)为元胞i的上游相邻元胞集；Γ(i)为元胞i的下游相邻元胞集；l0为标准的元胞长度；li为元胞i长度，lj为元胞j长度；
Figure GDA0004011420700000098
为t时段可流入或流出元胞i的最大车辆数量，
Figure GDA0004011420700000099
为t时段可流入或流出元胞j的最大车辆数量；
Figure GDA00040114207000000910
为t时段的元胞j的w/v值，v为自由流速度，w为拥堵时反向传播速度；
Figure GDA00040114207000000911
为t时段的元胞j的最大容量；
Figure GDA00040114207000000912
为t时段的元胞j上的流量。
公式(4)表示某一时刻元胞的车辆数等于前一时刻元胞的车辆数加上前一时刻驶入元胞的车辆数并减去驶出元胞的车辆数。公式(5)表示从元胞i流入元胞j的车辆取“元胞i能够运动到下一元胞的车辆总数、元胞i的最大流出量、元胞j的最大流入量、元胞j剩余的承载能力”中的最小值。
车辆选择路径时应遵循车辆疏散计划，公式如下：
Figure GDA00040114207000000913
Figure GDA00040114207000000914
其中，mk为每个安全点到达的车辆数，k＝(m1,m2,…,mm)，nl为每个疏散点需要的车辆数，l＝(n1,n2,…,nn)，Ce为表示疏散点的元胞集，即公式(6)表示到达安全点的疏散车辆总数等于疏散点所需要的车辆总数，车辆可通过循环疏散多次到达安全点，故路网中疏散车辆总数可小于疏散点需要的车辆总数；
Γ-1(i)为元胞i的上游相邻元胞集，p表示元胞i的上游相邻元胞，
Figure GDA00040114207000000915
为t时段从元胞p到元胞i的流量，Γ(i)为元胞i的下游相邻元胞集，j表示元胞i的下游相邻元胞，
Figure GDA0004011420700000101
为t时段从元胞i到元胞j的流量，ni为元胞i需要的车辆数，此时元胞i处于疏散点上；Ce为表示疏散点的元胞集。即公式(7)表示每一个疏散点需要多少车辆数，就应该到达多少车辆数，而且车辆必须到达疏散点后并离开疏散点。
目标函数表示为
Figure GDA0004011420700000102
即所有时段的元胞的流量总和Z1最小，总疏散时间由总流量乘以时间间隔(例如10s)求得。其中CR为表示停车点和安全点的元胞集。
在本发明其中一个实施例中，车辆选择路径时应遵循A*算法以优化路径，使用A*算法需要建立估价函数，公式如下：
F(i)＝G(i)+H(i) i∈C (8)
Figure GDA0004011420700000103
Figure GDA0004011420700000104
Figure GDA0004011420700000105
Figure GDA0004011420700000106
Figure GDA0004011420700000107
其中，H(i)表示元胞i到疏散终点的代价预估值，A*算法的优劣取决于建立的H(i)函数是否能够准确预估元胞i到疏散终点的代价，F(i)表示疏散起点到元胞i再到疏散终点的代价预估值，G(i)表示疏散起点到元胞i代价实际消耗值。ci1表示元胞i到疏散起点的距离预估值；di表示元胞i到疏散起点的距离；d(i)max表示元胞i到疏散起点的最大距离；ci2表示元胞i到疏散终点的距离预估值；Si表示元胞i到疏散终点的路程；S(i)max表示元胞i到疏散终点的最大路程；ci3表示由路网中已有车辆造成的元胞i的拥挤度预估值；Wi表示元胞i已有的车辆数，车辆不包括规划的车辆；N(i)max表示元胞i最大可容纳的车辆数；ci4表示在k时刻规划第z辆车的下一步路径时，由已经规划的z-1辆车造成的元胞i的拥挤度预估值；∑wzi表示元胞i已经进入的规划车辆总数；
Figure GDA0004011420700000108
表示ci1的系数，在0～1间取值；
Figure GDA0004011420700000109
表示ci2的系数，在0～1间取值；
Figure GDA0004011420700000111
表示ci3的系数，在0～1间取值；
Figure GDA0004011420700000112
表示ci4的系数，在0～1间取值。
目标函数表示为Z2＝minF(i)，即第z辆车在k时刻，根据代价预估值最小的原则决定第z辆车在k+1时刻应到达的元胞。
公式(9)表示考虑的代价预估值分为四个方面，根据不同的权重加权求和。公式(10)表示车辆在元胞i处应尽量选择远离疏散起点的元胞j作为下一步路径。公式(11)表示车辆在元胞i处应尽量选择靠近疏散终点的元胞j作为下一步路径。公式(12)、(13)表示车辆在元胞i处应尽量选择拥挤度小的元胞j作为下一步路径。
S303、模型求解，得到车辆的完整疏散路径和最小疏散时间。
在本发明其中一个实施例中，以元胞传输模型的定义描述车流在路网中的运动情况，以A*算法对每一个车辆进行全局路径优化，所有车辆的疏散路径即可组合成路网中的交通流，两者结合形成的路径选择模型流程如图4所示。
假设预定的疏散时刻为k，用于疏散的车辆数为z辆时，当k＝0时，初始化所有条件。k＝1时，首先z＝1，判断第z车辆是否到达预路口，“否”则该车辆前进一个元胞的距离并记录元胞属性变化，“是”则按照A*算法进行下一步的路径规划并记录元胞属性变化。判断所有车辆的路径规划是否完成，“否”则z＝z+1，循环上述流程，“是”则将所有车辆按照规划的路径移动到预定的元胞。此时判断所有车辆是否全部到达安全点，“否”则k＝k+1，根据第k时刻确定的规划结果和获取的路网交通流状态更新路网中的元胞属性，循环上述流程，“是”结束路径选择，输出疏散路径和疏散时间。
S4、在虚拟路网中对确定场景下求解的疏散路径进行即时仿真预演评价，得到仿真结果。
在本发明其中一个实施例中，对步骤S3求解的所有车辆路径归纳整合为有限的若干条路径，并在虚拟路网中进行可视化仿真，评价疏散路网在整个疏散过程中的交通指标情况。可视化疏散仿真有助于直观感受路径选择结果，量化的评价指标有助于分析疏散路径对路网产生的影响、可能存在的不足、从而做出相应的信号优化和采取必要控制措施。
在本发明其中一个实施例中，仿真评价分为可视化仿真和评价指标两方面：
(1)可视化仿真。仿真过程能记录每一时刻路网中疏散车辆数的变化，能记录交叉口信号灯态的变化。如图5的仿真情况所示，线段对应着路网中的路段，路段上的数字代表车辆数，路段上方框位置的个数代表了路段上的元胞个数；圆圈对应着路网中的交叉口、交叉口内的数字标识了信号灯的运行情况。实施例中，路网仿真时主要反映疏散车辆运行情况，不反映实际路网的路段长度、车道数等属性。以T＝2时的仿真情况所示，6与11分别表示路段上有6辆车、11辆车；6辆车所在的路段有6个元胞，11辆车所在的路段有4个元胞；圆圈内上方的数字表示东西方向的信号配时，数字1表示东西方向可左转，数字2表示东西方向可直行，数字3表示东西方向只可右转；圆圈内下方的数字表示南北方向的信号配时，数字1表示南北方向可左转，数字2表示南北方向可直行，数字3表示南北方向只可右转。
(2)评价指标。评价指标包括疏散车辆的行程时间、延误时间、停车时间、平均速度、排队情况。仿真过程中会记录每一辆车在每一时刻的行驶情况，从而计算相应的时间和速度指标，根据记录的元胞在每一时刻的车辆数变化，可以得到车辆在交叉口或瓶颈处的排队情况。
由于步骤S3已经以最小化疏散时间为目标对每一辆车辆的疏散路径进行优化，步骤S4通过即时仿真从整个疏散路网的角度寻找关键点和瓶颈点，从而采取疏散控制措施进一步优化疏散过程。
S5、根据仿真结果诊断是否存在疏散瓶颈，不存在则输出疏散路径及评价指标；存在则优化瓶颈后重复步骤S2-步骤S4，直至消除疏散瓶颈或者达到疏散目标。
在本发明其中一个实施例中，所述根据仿真结果诊断是否存在疏散瓶颈的方式为：记录路段延误Dxl为所有经过该路段的疏散车辆在此路段的延误时间之和，交叉口延误Dyc为组成该交叉口的路段延误Dxl之和。当路段延误Dxl、交叉口延误Dyc均分别超过设定的阈值Dx0、Dy0且未达到疏散目标时，判断为存在疏散瓶颈。当存在疏散瓶颈时，在路段x，交叉口y采取逆向车道、信号配时优化的控制措施减小延误。
在本发明其中一个实施例中，步骤S5的潜在疏散瓶颈包括路段瓶颈、交叉口瓶颈和交通路况瓶颈。其中：
(1)当疏散瓶颈为路段瓶颈，可实行逆向车道，包括实施逆向车道的路段和车道数；
本申请实施例中考虑了部分路段通行能力不足造成车流阻塞、行驶缓慢的情况，设置逆向车道通过车道反向来提高道路通行能力，适用于道路综合条件能够设置逆向车道且该道路为瓶颈路段的情况，设置难点是在何处设置以及设置几条车道反向。
图6给出了疏散路网设置逆向车道决策流程，首先根据无控制措施下的疏散路径仿真结果判断是否存在瓶颈路段，“否”则不设置逆向车道，“是”则判断对向路段是否满足设置逆向车道条件。“否”则不设置逆向车道，“是”则设置逆向车道数r＝1，即设置一条车道为逆向车道。执行步骤S2将实际路网及疏散场景映射到以可变元胞传输模型为基础的虚拟路网，S3建立车辆多对多循环往复式疏散的路径选择模型并求解，S4在虚拟路网中对确定场景下求解的疏散路径进行即时仿真预演评价，当疏散车辆的优化效果大于其他车辆的恶化效果时，输出设置逆向车道的位置及车道数。“否”则设置逆向车道数r＝r+1，执行步骤S2-S4。逆向车道设置之后，通常都会改变路网原来的交通组织方式，需要与交叉口配合，才能控制疏散运行效率。这时，交叉口信号灯可能是改变某个或多个相位的绿灯时间，也可能是取消某个或多个相位。
(2)当疏散瓶颈为交叉口瓶颈，可优化交叉口控制，包括渠化控制和信号控制；
本申请实施例中考虑了交叉口控制不当而造成的疏散延误或拥堵。交叉口控制包括冲突消除和信号控制，交叉口冲突消除属于渠化控制，经常与逆向车道联合优化，对应着步骤S2中路段属性的变化；交叉口信号控制优化经常体现在调整信号相位方案和相位时间，对应着步骤S2中交叉口属性的变化。
(3)当疏散瓶颈为交通路况瓶颈，可对社会车辆实施管控，减少其通行权，保证疏散车辆优先通行。
本申请实施例中考虑了疏散路网或部分疏散路段社会车辆过多时，会降低车辆的疏散效率，称为交通路况瓶颈。可通过封闭车道或路径诱导减少进入疏散路网的社会车辆，提高疏散效率。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，其特征在于，包括如下步骤：
S1、初始化交通疏散路网，指定多个停车点、多个疏散点和多个安全点，并获取交通状态；
S2、将实际路网及疏散场景映射到以可变元胞传输模型为基础的虚拟路网；
S3、建立车辆多对多循环往复式疏散的路径选择模型，并建模进行参数求解，得到车辆的疏散路径和最小疏散时间；
S4、在虚拟路网中对确定场景下求解的疏散路径进行即时仿真预演评价，所述仿真预演评价包括评价指标；
S5、根据仿真预演评价诊断是否存在疏散瓶颈，不存在则输出疏散路径及评价指标；存在则优化瓶颈后重复步骤S2-S4，直至消除疏散瓶颈或者达到疏散目标，其中，当路段延误Dxl、交叉口延误Dyc均分别超过设定的阈值Dx0、Dy0且未达到疏散目标时，判断为存在疏散瓶颈；
其中，所述S3具体包括：
S301、设疏散网络为G＝(P,e,S,R)，P＝{P1,P2,…,Pm}为有限停车点的集合；E＝{E1,E2,…,En}为有限疏散点的集合；S＝{S1,S2,…,Sq}为有限安全点的集合，R为网络中有限弧的集合；
S302、基于可变元胞传输模型，以总疏散时间最小为目标建立车辆多对多循环疏散的路径选择模型；
S303、求解路径选择模型，得到车辆的完整疏散路径和最小疏散时间；
所述S302中，车辆路径选择时应遵循疏散计划，公式如下：
Figure FDA0003978694950000011
Figure FDA0003978694950000012
其中，mk为每个安全点到达的车辆数；nl为每个疏散点需要的车辆数；Γ-1(i)为元胞i的上游相邻元胞集；p表示元胞i的上游相邻元胞；
Figure FDA0003978694950000013
为t时段从元胞p到元胞i的流量；Γ(i)为元胞i的下游相邻元胞集；j表示元胞i的下游相邻元胞；
Figure FDA0003978694950000014
为t时段从元胞i到元胞j的流量；ni为元胞i需要的车辆数，此时元胞i处于疏散点上；Ce为表示疏散点的元胞集；T为时间间隔；
其中，所述S302中使用A*算法建立代价估值函数来优化路径，估值函数如下：
F(i)＝G(i)+H(i) i∈C
Figure FDA0003978694950000021
Figure FDA0003978694950000022
Figure FDA0003978694950000023
Figure FDA0003978694950000024
Figure FDA0003978694950000025
其中F(i)表示疏散起点到元胞i再到疏散终点的代价预估值，G(i)表示疏散起点到元胞i代价实际消耗值，H(i)表示元胞i到疏散终点的代价预估值；C表示元胞的集合,ci1表示元胞i到疏散起点的距离预估值；di表示元胞i到疏散起点的距离；d(i)max表示元胞i到疏散起点的最大距离；ci2表示元胞i到疏散终点的距离预估值；Si表示元胞i到疏散终点的路程；S(i)max表示元胞i到疏散终点的最大路程；ci3表示由路网中已有车辆造成的元胞i的拥挤度预估值；Wi表示元胞i已有的车辆数，车辆不包括规划的车辆；N(i)max表示元胞i最大可容纳的车辆数；ci4表示在k时刻规划第z辆车的下一步路径时，由已经规划的z-1辆车造成的元胞i的拥挤度预估值；∑wzi表示元胞i已经进入的规划车辆总数；
Figure FDA0003978694950000026
表示ci1的系数；
Figure FDA0003978694950000027
表示ci2的系数；
Figure FDA0003978694950000028
表示ci3的系数；
Figure FDA0003978694950000029
表示ci4的系数；
优化的目标函数为代价预估值最小：Z2＝minF(i)。
2.根据权利要求1所述的基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，其特征在于，S1中包括以下子步骤：
S101、确定疏散场景；
S102、定义路网的静态特征参数；
S103、获取疏散路网的动态交通流状态。
3.根据权利要求1所述的基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，其特征在于，步骤S2中包括：
S201、将实际路段、交叉口的属性特征对应到虚拟路网；
S202、将疏散场景的属性特征变化对应到虚拟路网。
4.根据权利要求1所述的基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，其特征在于，所述的步骤S2中实际路网按照可变元胞的定义映射到仿真路网；
可变元胞是指元胞长度可变，元胞长度li与给定的标准元胞长度l0满足：
l0≤li≤2l0
可流入或流出元胞的最大车辆数Q由单向路段的设计通行能力决定：
Q＝Na×Nb×Nc×Nd×T
Na为确定车速下一条车道的通行能力；Nb为所属车道类型的道路分类系数；Nc为车道数分类系数；Nd为交叉口修正系数；T为时间间隔；
元胞的最大容量N满足：
N＝kj×li×ln
kj为车辆阻塞密度；ln为元胞对应的车道数；
在建立可变元胞传输模型时，路段首先以车道数不同分为若干小段，若小段不满足l0≤li≤2l0，则将小段分为若干长度为l0的元胞和一个长度为li的元胞，若满足则记为一个元胞；最靠近交叉口进口道的元胞记为该路段的最后一个元胞，记录预定的车辆转向比例，交叉口信号灯将每一相位分为有效绿灯时间和红灯时间，周期运行，当最后一个元胞有需要转向的车辆且该相位运行在有效绿灯时间时，车辆转向去到其他路段的第一个元胞。
5.根据权利要求1所述的基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，其特征在于，所述路径选择模型中的总疏散时间由总流量乘以时间间隔得到，其中，总流量的目标函数为：
Figure FDA0003978694950000031
Z1为所有时段的元胞的流量总和，T为时间间隔，C表示元胞的集合，CR为表示停车点和安全点的元胞集，
Figure FDA0003978694950000032
为t时段的元胞i上的流量；
其中，
Figure FDA0003978694950000041
Figure FDA0003978694950000042
式中，
Figure FDA0003978694950000043
为t时段的元胞i上的流量；
Figure FDA0003978694950000044
为t-1时段的元胞i上的流量；
Figure FDA0003978694950000045
为t-1时段从元胞p到元胞i的流量；
Figure FDA0003978694950000046
为t时段从元胞i到元胞j的流量；
Figure FDA0003978694950000047
为t-1时段从元胞i到元胞j的流量；C表示元胞的集合；Γ-1(i)为元胞i的上游相邻元胞集；Γ(i)为元胞i的下游相邻元胞集；l0为标准的元胞长度；li为元胞i长度，lj为元胞j长度；
Figure FDA0003978694950000048
为t时段可流入或流出元胞i的最大车辆数量，
Figure FDA0003978694950000049
为t时段可流入或流出元胞j的最大车辆数量；
Figure FDA00039786949500000410
为t时段的元胞j的w/v值，v为自由流速度，w为拥堵时反向传播速度；
Figure FDA00039786949500000411
为t时段的元胞j的最大容量；
Figure FDA00039786949500000412
为t时段的元胞j上的流量。
6.根据权利要求1所述的基于可变元胞的城市多点循环式紧急疏散与仿真推演方法，其特征在于，所述评价指标包括疏散车辆的行程时间、延误时间、停车时间、平均速度、排队情况。
CN202110584850.0A 2021-05-27 2021-05-27 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法 Active CN113408189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110584850.0A CN113408189B (zh) 2021-05-27 2021-05-27 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110584850.0A CN113408189B (zh) 2021-05-27 2021-05-27 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法

Publications (2)

Publication Number Publication Date
CN113408189A CN113408189A (zh) 2021-09-17
CN113408189B true CN113408189B (zh) 2023-03-21

Family

ID=77674640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110584850.0A Active CN113408189B (zh) 2021-05-27 2021-05-27 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法

Country Status (1)

Country Link
CN (1) CN113408189B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114353804B (zh) * 2022-01-04 2024-04-30 哈尔滨工业大学（深圳） 火灾应急疏散路径规划方法、装置、智能终端及存储介质
CN115100867B (zh) * 2022-07-27 2022-11-29 武汉微晶石科技股份有限公司 一种基于数字孪生的城市智能交通仿真方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298829A (zh) * 2014-10-14 2015-01-21 浙江师范大学 基于元胞自动机模型的城市路网交通流仿真设计方法
CN112212878A (zh) * 2020-09-25 2021-01-12 南通路远科技信息有限公司 一种导航路径计算方法、装置及手机、车辆

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106546B (zh) * 2013-02-08 2016-08-24 同济大学 基于区域应急疏散能力评估的疏散应急方案选择方法
CN107392435A (zh) * 2017-06-28 2017-11-24 北京交通大学 一种城市轨道交通车站应急疏散能力评估系统
CN107341580A (zh) * 2017-08-08 2017-11-10 上海交通大学 一种用于城市交通网络应急疏散规划的新型启发式算法
EP3509020A1 (en) * 2018-01-09 2019-07-10 Robert Bosch GmbH Mass evacuation utilizing a fleet of autonomous vehicles
CN108922204B (zh) * 2018-05-10 2021-07-20 华南理工大学 一种考虑交叉口信号控制的元胞传输模型改进方法
CN108896052A (zh) * 2018-09-20 2018-11-27 鲁东大学 一种基于动态复杂环境下的移动机器人平滑路径规划方法
CN109636005A (zh) * 2018-11-16 2019-04-16 北京交通大学 一种基于微观仿真的城市路网疏散策略优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298829A (zh) * 2014-10-14 2015-01-21 浙江师范大学 基于元胞自动机模型的城市路网交通流仿真设计方法
CN112212878A (zh) * 2020-09-25 2021-01-12 南通路远科技信息有限公司 一种导航路径计算方法、装置及手机、车辆

Also Published As

Publication number Publication date
CN113408189A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Peeta et al. Multiple user classes real-time traffic assignment for online operations: a rolling horizon solution framework
Yao et al. A dynamic predictive traffic signal control framework in a cross-sectional vehicle infrastructure integration environment
CN104464310B (zh) 城市区域多交叉口信号协同优化控制方法及系统
Ma et al. Development and evaluation of a coordinated and conditional bus priority approach
Balaji et al. Type-2 fuzzy logic based urban traffic management
Wey Model formulation and solution algorithm of traffic signal control in an urban network
JP3984372B2 (ja) 交通管制方法および装置
CN113408189B (zh) 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
CN110136455A (zh) 一种交通信号灯配时方法
Mahut et al. Calibration and application of a simulation-based dynamic traffic assignment model
Ding et al. Multivehicle coordinated lane change strategy in the roundabout under internet of vehicles based on game theory and cognitive computing
CN112561249B (zh) 面向实时需求的城市定制公交调度方法
CN111582750A (zh) 一种轨道交通反向乘客识别及乘车班次确定方法及系统
CN113112823B (zh) 一种基于mpc的城市路网交通信号控制方法
CN111724076A (zh) 运营中断条件下区域多式轨道交通客流动态分配方法
CN114117700A (zh) 基于复杂网络理论的城市公共交通网络优化研究方法
Liu et al. A fuzzy-theory-based cellular automata model for pedestrian evacuation from a multiple-exit room
Kamran et al. Traffic light signal timing using simulation
CN111882915A (zh) 采用复合算法及交互模型的应需定制公交线路规划方法
Ramaswamy et al. Lane assignment on automated highway systems
CN116524715A (zh) 结合干线绿波协调和应急路径决策的滚动双层规划方法
CN115063988B (zh) 一种应急车辆优先的跨交通子区信号协同控制方法
Liu et al. Real-time traffic impedance and priority based cooperative path planning mechanism for SOC-ITS: Efficiency and equilibrium
Meng et al. A simulation-based dynamic traffic assignment model with combined modes

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