CN113593220A - 一种基于宏观基本图的路网承载力估计方法 - Google Patents
一种基于宏观基本图的路网承载力估计方法 Download PDFInfo
- Publication number
- CN113593220A CN113593220A CN202110751741.3A CN202110751741A CN113593220A CN 113593220 A CN113593220 A CN 113593220A CN 202110751741 A CN202110751741 A CN 202110751741A CN 113593220 A CN113593220 A CN 113593220A
- Authority
- CN
- China
- Prior art keywords
- road network
- vehicle
- road
- data
- number plate
- 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
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
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于宏观基本图的路网承载力估计方法,选取车流量较大的路网,构建路网拓扑,采集路网区域内的车辆号牌原始数据,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析,对车辆进行出行链划分后进行轨迹重构,对路网不同区域承载力进行分析,构建基于宏观基本图的路网承载力估计模型,在整体路网进行车辆密度和流量分析后,进一步细化路网区域,二次进行车辆密度和流量分析,根据承载力估计数据结果对每一路网位置制定相应的提高路网效率的方案,为缓解城市道路拥堵问题提供决策依据。
Description
技术领域
本发明涉及车辆交通领域,具体是一种基于宏观基本图的路网承载力估计方法。
背景技术
城市路网承载力是指在有限的道路资源和环境等外部条件的约束下,在一定的时空范围内,利用交通管理技术,在满足合适的交通服务水平下,城市路网所能允许的最大机动车出行量。提高城市的路网承载能力能够有效地缓解城市交通拥堵问题,从而提升居民的出行效率和出行品质。如何准确的估计城市路网承载力,国内外学者进行了广泛而深刻的研究。
随着机动车保有量的不断增加和机动车出行量的快速上升,城市道路的服务压力也越来越大。此外,由于我国城市路网发展不平衡,路网本身的设计和管理存在问题,导致道路交通网络供不应求,交通运行状态的拥堵越来越频繁和严重,道路运行状态受到严重影响。同时,随着人们生活水平的提高,人们对道路运营的要求也越来越高。
为了缓解交通拥堵以及减少交通拥堵带来的损失,许多城市将修建更多的道路作为缓解城市交通拥堵问题的主要方法。然而,当斯定律表明,修建新的道路虽然能缩短出行时间,但是会吸引其他交通方式的换乘,最终也将恢复原来的拥堵程度。一般来说,新道路不会改变原来的拥堵程度。由此可见,加快道路建设并不是解决道路拥堵的根本方法,只能在短期内缓解道路拥堵问题。
产生交通拥堵的原因十分复杂,城市道路等级和布局设置不合理、路网利用效率低、交通管理和控制不科学等都是导致交通拥堵的主要原因。其中,高效的交通管理对于保障路网的良好运行和居民的出行品质具有重要意义,而路网的效率和性能评价是路网交通管理的基础。为了提高路网的利用效率就要首先获得城市路网的承载能力。
为此发明旨在以城市道路网络的承载力为研究对象,根据路网的影响因素,构建基于宏观基本图的路网承载力估计模型,在整体路网进行车辆密度和流量分析后,进一步细化路网区域,二次进行车辆密度和流量分析,根据承载力估计数据结果对每一路网位置制定相应的提高路网效率的方案,为缓解城市道路拥堵问题提供决策依据。
发明内容
本发明的目的在于提供一种基于宏观基本图的路网承载力估计方法,以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于宏观基本图的路网承载力估计方法,包括
S1:选取车流量较大的路网,构建路网拓扑,采集路网区域内的车辆号牌原始数据,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析;
S2:按照预处理后的车辆号牌数据对路网内部车辆在任意两个车辆号牌检测器之间的实际行驶时间和预算时间进行分析后进行车辆出行链的划分,根据所有车辆号牌检测器划分的出行链,得到该路网的全部出行链;
S3:筛选路网内部预处理的车辆号牌数据和划分的出行链,对缺失的车辆号牌数据对应的出行链进行标记,对该出行链进行轨迹重构路径;
S4:对路网内部车辆出行链进行划分和车辆缺失轨迹进行重构后,对区域内部的路网平均流量估计和路网平均密度估计,根据路网平均流量和平均密度计算数据,对路网不同时段的流量和密度进行可视化分析;
S5:对选取的路网区域进行人工分区,将选取的路网区域划分不同的路网子区间,对每一路网子区间进行路网承载力估计,根据不同路网子区间的承载力结果分析整个路网内部的承载力优化方案。
进一步设置:所述S1中,采集路网区域内的车辆号牌原始数据,还包括以下步骤:
S11:在路网区域的每一交叉口进口道设置车辆号牌检测器,对每一车辆号牌检测器进行编码,梳理路网内部所有车辆号牌检测器位置的静态信息;
S12:车辆号牌检测器获取路网中的车辆号牌数据,将采集的车辆号牌信息发送至车辆号牌检测系统;
S13:车辆号牌检测系统提取原始车辆号牌信息与相采集车辆号牌检测器进行匹配,梳理路网区域内交叉路口的邻接关系,提取车辆在路网中的运行轨迹,进一步构建路网区域的拓扑结构。
进一步设置:所述S1中,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析,还包括以下步骤:
S101:对车辆号牌检测器未识别的车辆号牌数据进行剔除;
S102:对车辆号牌检测器上传的重复数据进行剔除,任意两条数据设备编号、日期、车牌号、方向车道编号均相同时,当两条数据的时间差小于5秒,判定这两条数据重复;
S103:将剔除后的车辆号牌数据标记为有效数据,将有效车辆号牌数据与路网区域内部的交叉口进行匹配,将匹配后的数据进行统计。
S104:对统计的车辆号牌数据内部的车辆检测率和检测器渗透率进行分析,车辆检测率为有效车辆号牌数据与检测的总号牌数据之比,检测器渗透率为路网区域内部安装了车辆号牌检测器的交叉口数与路网区域内总交叉口数之比,设定路网区域内检测器渗透率为ρ,ρ≥15%,当检测渗透率满足条件,将车辆检测率和检测器渗透率进行统计。
进一步设置:所述S2中,按照预处理后的车辆号牌数据对路网内部车辆在任意两个车辆号牌检测器之间的实际行驶时间和预算时间进行分析后进行车辆出行链的划分,还包括以下步骤:
S21:统计有效车辆号牌数据,抽取路网区域内部任意两个车辆号牌检测器,确定两个车辆号牌检测器的位置,获取两个车辆号牌检测器之间的最短路径距离和该路径的最高限速,设定最短路径距离为Ld,设定道路最高限速为Vd,设定车辆在该两车辆号牌检测器的行驶时间为Td,
S22:分析车辆在任意抽取的两个车辆号牌检测器之间行驶的预算时间,设定车辆在两车辆号牌检测器的预算时间为Tv,Tv=∝Td,其中,∝为大于1的常系数;
S23:获取车辆在任意抽取的两个车辆号牌检测器之间实际行驶时间,其中实际行驶时间包括车辆实际行驶时间和车辆停留时间,设定车辆实际行驶时间为Ts,将车辆实际行驶时间与车辆预算行驶时间进行对比,当Ts<Tv,判定当前抽取的两个车辆号牌检测器在同一出行链中,不能作为出行链划分点,当Ts>Tv,判定当前抽取的两个车辆号牌检测器所在的交叉口位置分别处于前一次出行链的结束和后一次出行链的开始,将该两个交叉口作为出行链划分点,进行出行链划分;
S24:重复步骤S21~S23,对路网内部的所有交叉口的车辆号牌检测器之间的时间阈值进行分析,将每两个车辆号牌检测器之间的出行链进行划分,得出路网区域内部全部出行链。
进一步设置:所述S3中,筛选路网内部预处理的车辆号牌数据和划分的出行链,对缺失的车辆号牌数据对应的出行链进行标记,对该出行链进行轨迹重构路径,还包括以下步骤:
S31:在数据预处理和出行链划分的基础上,筛选路网区域内存在部分检测数据缺失的出行链,对该出行链进行轨迹重构;
S32:对筛选出检测数据缺失的出行链获取该出行链缺失的检测数据,提取该出行链对应的两个车辆号牌检测器之间的所有备选路径,对所有备选路径的预算时间进行计算,设定其中任意一条备选路径的预算时间为设定该备选路径中任意两个车辆号牌检测器连续检测到车辆号牌数据的时间差为Tc,当时,判定当前该备选路径无效,当时,判定当前该备选路径有效,重复此步骤,筛选出所有有效的备选路径。
S33:对所有有效备选路径内的主干道进行标记,获取每一有效备选路径主干道的长度,其中,路径主干道包括城市快速路和城市主干路,分析每一有效备选路径的选择概率,设定某条有效备选路径的总长度为LLBi,设定该有效备选路径中主干道的长度为LLZi,设定该有效备选路径的选择概率为P(i),根据公式:计算得出当前每一有效备选路径的选择概率;
S34:比较每一有效备选路径的选择概率,提取概率最大的一条路径作为轨迹重构路径,当其中两条有效备选路径的选择概率一致时,对比两条路径内部车辆号牌检测器的数量,提取其中车辆号牌检测器数量较少的一条路径作为轨迹重构的路径;
S35:重复步骤S31~S34,直至所有存在数据缺失的出行链完成轨迹重构。
进一步设置:所述S4,对路网内部车辆出行链进行划分和车辆缺失轨迹进行重构后,对区域内部的路网平均流量估计和路网平均密度估计,还包括以下步骤:
S41:获取路网区域所有的出行链和轨迹重构路径,将路网区域内部每一路段进行划分为有向路段,统计路网区域内部经过不同有向路段的出行链的数量,计为经过不同有向路段的车辆数;
S42:对路网区域内有向路段总里程、每一有向路段长度进行统计,对观测路网区域车辆的时段进行划分,将观测天数的24小时划分为24个时区,将每一时区划分为4个分析周期,每一周期时段为15分钟,统计每一分析周期路网区域内部不同有向路段通过的车辆数和每一有向路段通过的车辆行程时间之和,将统计数据进行汇总;
S43:根据统计的路网区域内每一有向路段的数据,对路网平均流量进行估计,设定路网区域内部某一有向路段为i,设定分析时段内经过有向路段i的车辆数为ni,设定有向路段i的长度为li米,设定路网区域内有向路段总里程为L米,设定每一周期时段长度为T秒,设定路网区域内有效轨迹车辆的渗透率为其中路网区域内有效轨迹车辆的渗透率为小时内路网区域内有效轨迹车辆数量与出现总车辆数量之比,设定每一周期时段内路网所有车辆轨迹的总行程长度为TTD米,设定每一周期时段路网区域平均流量为q,根据公式:
计算得出当前路网内部每一周期时段的平均车流量,将车流量各时段估计结果进行可视化分析;
S44:根据统计的路网区域内每一有向路段的数据,对路网平均密度进行估计,设定每一周期时段内路网区域所有车辆轨迹总行程时间为TTT秒,设定每一周期时段内经过路段i第j辆车的行驶时间为ttj i,设定每一周期时段路网平均密度为k,根据公式:
计算得出当前每一周期时段的路网平均密度,将路网各时段平均密度估计结果进行可视化分析。
进一步设置:所述S5,对选取的路网区域进行人工分区,将选取的路网区域划分不同的路网子区间,对每一路网子区间进行路网承载力估计,根据不同路网子区间的承载力结果分析整个路网内部的承载力优化方案,还包括以下步骤:
S51:对路网区域进行人工分区,根据路网的流量、速度、拥堵程度等划分为不同子区间;
S52:将划分的不同子区间根据拥堵程度进行标记,当子区间路网流量和密度达到路网承载力临界值,判断能够按照路网子区间内的实际车流量和密度估计MFD,当子区间路网持续畅通,达不到路网承载力的临界值,则判断MFD不可通过实测数据直接构建;
S53:筛选出能够按照实际车流量和密度估计MFD的路网子区间,按照路网平均流量估计和路网平均密度估计方法计算该路网子区间在每一周期时段内平均车辆流量和车辆密度;
S54:筛选出不可通过实际车流量和密度估计MFD的路网子区间,将该路网子区间内部的路段进行划分,将子区间内路段划分为2条车道路段、3条车道路段、4条车道路段三类,对每一类别路段的不同时段车辆密度和流量进行分析,从而计算该路网子区间的每一周期时段内平均车辆流量和密度;
S55:将划分的每一路网子区间计算的平均车辆流量和密度与理论路网车辆流量和密度承载力进行比较,得出当前不同路网子区间的承载力占比,根据占比情况得出路网内部每一子区间的车辆负载情况,根据车辆负载情况进行细化分析,根据不同路网子区间的情况针对性地进行交通优化管理。
进一步设置:所述S54中对每一类别路段的不同时段车辆密度和流量进行分析,从而计算该路网子区间的每一周期时段内平均车辆流量和密度,还包括以下步骤:
S54-1:每一类别路段的不同时段车辆密度和流量进行计算,设定路网区域内部某一路段为i,设定分析时段内经过路段i的车辆数为ni,设定路段i的长度为li米,设定路网区域内路段总里程为L米,设定每一周期时段长度为T秒,设定路网区域内有效轨迹车辆的渗透率为设定每一周期时段内经过路段i第j辆车的行驶时间为ttj i,设定该路段的车辆密度为ki、车辆流量为qi,根据公式:
计算得出筛选出的路网子区间内不同类别路段不同时刻的车辆密度和流量;
S54-2:对不同类别路段全天候不同时段的车辆密度和流量进行统计,获取每类别路段中代表性的车辆密度和流量数据,对该路段的车辆密度标记为k-、车辆流量标记为q-;
S54-3:计算该路网子区间的每一周期时段内平均车辆流量和密度,设定k* g为第g类路段中的代表性车辆密度,设定q* g为第g类路段中的代表性车辆流量,Ig为第g类路段在路网子区间的个数,设定该路网子区间的平均车辆密度为kc、平均车辆流量为qc,根据公式:
计算得出,当前路网子区间的平均车辆密度和车辆流量数据,将数据进行汇总。
与现有技术相比,本发明的有益效果是:本发明选取车流量较大的路网,构建路网拓扑,采集路网区域内的车辆号牌原始数据,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析,按照预处理后的车辆号牌数据对路网内部车辆在任意两个车辆号牌检测器之间的实际行驶时间和预算时间进行分析后进行车辆出行链的划分,根据所有车辆号牌检测器划分的出行链,得到该路网的全部出行链,筛选路网内部预处理的车辆号牌数据和划分的出行链,对缺失的车辆号牌数据对应的出行链进行标记,对该出行链进行轨迹重构路径,对路网内部车辆出行链进行划分和车辆缺失轨迹进行重构后,对区域内部的路网平均流量估计和路网平均密度估计,根据路网平均流量和平均密度计算数据,对路网不同时段的流量和密度进行可视化分析,对选取的路网区域进行人工分区,将选取的路网区域划分不同的路网子区间,对每一路网子区间进行路网承载力估计,根据不同路网子区间的承载力结果分析整个路网内部的承载力优化方案;
旨在构建基于宏观基本图的路网承载力估计模型,在整体路网进行车辆密度和流量分析后,进一步细化路网区域,二次进行车辆密度和流量分析,根据承载力估计数据结果对每一路网位置制定相应的提高路网效率的方案,为缓解城市道路拥堵问题提供决策依据;
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
图1为本发明一种基于宏观基本图的路网承载力估计方法的整体流程图;
图2为本发明一种基于宏观基本图的路网承载力估计方法的S1的具体流程步骤图;
图3为本发明一种基于宏观基本图的路网承载力估计方法的S1的具体流程步骤图;
图4为本发明一种基于宏观基本图的路网承载力估计方法的S2的具体流程步骤图;
图5为本发明一种基于宏观基本图的路网承载力估计方法的S3的具体流程步骤图;
图6为本发明一种基于宏观基本图的路网承载力估计方法的S4的具体流程步骤图;
图7为本发明一种基于宏观基本图的路网承载力估计方法的S5的具体流程步骤图;
图8为本发明一种基于宏观基本图的路网承载力估计方法的S54的具体流程步骤图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1~8,本发明实施例中,一种基于宏观基本图的路网承载力估计方法,。
一种基于宏观基本图的路网承载力估计方法,包括
S1:选取车流量较大的路网,构建路网拓扑,采集路网区域内的车辆号牌原始数据,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析;
具体的参照图2,步骤S1中,采集路网区域内的车辆号牌原始数据,还包括以下步骤:
S11:在路网区域的每一交叉口进口道设置车辆号牌检测器,对每一车辆号牌检测器进行编码,梳理路网内部所有车辆号牌检测器位置的静态信息;
S12:车辆号牌检测器获取路网中的车辆号牌数据,将采集的车辆号牌信息发送至车辆号牌检测系统;
S13:车辆号牌检测系统提取原始车辆号牌信息与相采集车辆号牌检测器进行匹配,梳理路网区域内交叉路口的邻接关系,提取车辆在路网中的运行轨迹,进一步构建路网区域的拓扑结构。
具体的参照图3,步骤S1中,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析,还包括以下步骤:
S101:对车辆号牌检测器未识别的车辆号牌数据进行剔除;
S102:对车辆号牌检测器上传的重复数据进行剔除,任意两条数据设备编号、日期、车牌号、方向车道编号均相同时,当两条数据的时间差小于5秒,判定这两条数据重复;
S103:将剔除后的车辆号牌数据标记为有效数据,将有效车辆号牌数据与路网区域内部的交叉口进行匹配,将匹配后的数据进行统计。
S104:对统计的车辆号牌数据内部的车辆检测率和检测器渗透率进行分析,车辆检测率为有效车辆号牌数据与检测的总号牌数据之比,检测器渗透率为路网区域内部安装了车辆号牌检测器的交叉口数与路网区域内总交叉口数之比,设定路网区域内检测器渗透率为ρ,ρ≥15%,当检测渗透率满足条件,将车辆检测率和检测器渗透率进行统计。
需要说明的是,当判定车辆号牌检测器上传的两条数据重复时,应当保留第一条检测到的数据并删除其他重复数据。
S2:按照预处理后的车辆号牌数据对路网内部车辆在任意两个车辆号牌检测器之间的实际行驶时间和预算时间进行分析后进行车辆出行链的划分,根据所有车辆号牌检测器划分的出行链,得到该路网的全部出行链;
具体的参照图4,步骤S2中还包括以下步骤:
S21:统计有效车辆号牌数据,抽取路网区域内部任意两个车辆号牌检测器,确定两个车辆号牌检测器的位置,获取两个车辆号牌检测器之间的最短路径距离和该路径的最高限速,设定最短路径距离为Ld,设定道路最高限速为Vd,设定车辆在该两车辆号牌检测器的行驶时间为Td,
S22:分析车辆在任意抽取的两个车辆号牌检测器之间行驶的预算时间,设定车辆在两车辆号牌检测器的预算时间为Tv,Tv=∝Td,其中,∝为大于1的常系数;
S23:获取车辆在任意抽取的两个车辆号牌检测器之间实际行驶时间,其中实际行驶时间包括车辆实际行驶时间和车辆停留时间,设定车辆实际行驶时间为Ts,将车辆实际行驶时间与车辆预算行驶时间进行对比,当Ts<Tv,判定当前抽取的两个车辆号牌检测器在同一出行链中,不能作为出行链划分点,当Ts>Tv,判定当前抽取的两个车辆号牌检测器所在的交叉口位置分别处于前一次出行链的结束和后一次出行链的开始,将该两个交叉口作为出行链划分点,进行出行链划分;
S24:重复步骤S21~S23,对路网内部的所有交叉口的车辆号牌检测器之间的时间阈值进行分析,将每两个车辆号牌检测器之间的出行链进行划分,得出路网区域内部全部出行链。
需要说明的是,∝的具体取值取决于各路网实际情况,一般城市主城区的∝通常取为2.5。
S3:筛选路网内部预处理的车辆号牌数据和划分的出行链,对缺失的车辆号牌数据对应的出行链进行标记,对该出行链进行轨迹重构路径;
具体的参照图5,步骤S3中还包括以下步骤:
S31:在数据预处理和出行链划分的基础上,筛选路网区域内存在部分检测数据缺失的出行链,对该出行链进行轨迹重构;
S32:对筛选出检测数据缺失的出行链获取该出行链缺失的检测数据,提取该出行链对应的两个车辆号牌检测器之间的所有备选路径,对所有备选路径的预算时间进行计算,设定其中任意一条备选路径的预算时间为设定该备选路径中任意两个车辆号牌检测器连续检测到车辆号牌数据的时间差为Tc,当时,判定当前该备选路径无效,当时,判定当前该备选路径有效,重复此步骤,筛选出所有有效的备选路径。
S33:对所有有效备选路径内的主干道进行标记,获取每一有效备选路径主干道的长度,其中,路径主干道包括城市快速路和城市主干路,分析每一有效备选路径的选择概率,设定某条有效备选路径的总长度为LLBi,设定该有效备选路径中主干道的长度为LLZi,设定该有效备选路径的选择概率为P(i),根据公式:计算得出当前每一有效备选路径的选择概率;
S34:比较每一有效备选路径的选择概率,提取概率最大的一条路径作为轨迹重构路径,当其中两条有效备选路径的选择概率一致时,对比两条路径内部车辆号牌检测器的数量,提取其中车辆号牌检测器数量较少的一条路径作为轨迹重构的路径;
S35:重复步骤S31~S34,直至所有存在数据缺失的出行链完成轨迹重构。
S4:对路网内部车辆出行链进行划分和车辆缺失轨迹进行重构后,对区域内部的路网平均流量估计和路网平均密度估计,根据路网平均流量和平均密度计算数据,对路网不同时段的流量和密度进行可视化分析;
具体的参照图6,步骤S4中还包括以下步骤:
S41:获取路网区域所有的出行链和轨迹重构路径,将路网区域内部每一路段进行划分为有向路段,统计路网区域内部经过不同有向路段的出行链的数量,计为经过不同有向路段的车辆数;
S42:对路网区域内有向路段总里程、每一有向路段长度进行统计,对观测路网区域车辆的时段进行划分,将观测天数的24小时划分为24个时区,将每一时区划分为4个分析周期,每一周期时段为15分钟,统计每一分析周期路网区域内部不同有向路段通过的车辆数和每一有向路段通过的车辆行程时间之和,将统计数据进行汇总;
S43:根据统计的路网区域内每一有向路段的数据,对路网平均流量进行估计,设定路网区域内部某一有向路段为i,设定分析时段内经过有向路段i的车辆数为ni,设定有向路段i的长度为li米,设定路网区域内有向路段总里程为L米,设定每一周期时段长度为T秒,设定路网区域内有效轨迹车辆的渗透—率为ρ,其中路网区域内有效轨迹车辆的渗透率为小时内路网区域内有效轨迹车辆数量与出现总车辆数量之比,设定每一周期时段内路网所有车辆轨迹的总行程长度为TTD米,设定每一周期时段路网区域平均流量为q,根据公式:
计算得出当前路网内部每一周期时段的平均车流量,将车流量各时段估计结果进行可视化分析;
S44:根据统计的路网区域内每一有向路段的数据,对路网平均密度进行估计,设定每一周期时段内路网区域所有车辆轨迹总行程时间为TTT秒,设定每一周期时段内经过路段i第j辆车的行驶时间为ttj i,设定每一周期时段路网平均密度为k,根据公式:
计算得出当前每一周期时段的路网平均密度,将路网各时段平均密度估计结果进行可视化分析。
需要说明的是,路网区域内相邻两个交叉口之间的路段为一个有向路段。
S5:对选取的路网区域进行人工分区,将选取的路网区域划分不同的路网子区间,对每一路网子区间进行路网承载力估计,根据不同路网子区间的承载力结果分析整个路网内部的承载力优化方案。
具体的参照图7,步骤S5中还包括以下步骤:
S51:对路网区域进行人工分区,根据路网的流量、速度、拥堵程度等划分为不同子区间;
S52:将划分的不同子区间根据拥堵程度进行标记,当子区间路网流量和密度达到路网承载力临界值,判断能够按照路网子区间内的实际车流量和密度估计MFD,当子区间路网持续畅通,达不到路网承载力的临界值,则判断MFD不可通过实测数据直接构建;
S53:筛选出能够按照实际车流量和密度估计MFD的路网子区间,按照路网平均流量估计和路网平均密度估计方法计算该路网子区间在每一周期时段内平均车辆流量和车辆密度;
S54:筛选出不可通过实际车流量和密度估计MFD的路网子区间,将该路网子区间内部的路段进行划分,将子区间内路段划分为2条车道路段、3条车道路段、4条车道路段三类,对每一类别路段的不同时段车辆密度和流量进行分析,从而计算该路网子区间的每一周期时段内平均车辆流量和密度;
S55:将划分的每一路网子区间计算的平均车辆流量和密度与理论路网车辆流量和密度承载力进行比较,得出当前不同路网子区间的承载力占比,根据占比情况得出路网内部每一子区间的车辆负载情况,根据车辆负载情况进行细化分析,根据不同路网子区间的情况针对性地进行交通优化管理。
其中,需要具体阐述的是,当路网子区间内部平均车流量和密度没有达到理论承载力,说明路网子区间内部交通处于畅通的状态;当路网子区间内部平均车流量和密度与理论承载力的流量、密度值非常接近,说明该路网子区间内部可能会产生交通堵塞的问题,特别是早晚高峰期;当路网子区间内部平均车流量和密度已经略超过路网理论承载力的流量、密度值,该路网子区间的车辆流量已经达到了路网承载力,若车流量继续增加将会引起交通拥堵的问题,需要采取一定的措施来应对未来车流量增加而产生道路拥堵的问题。
具体的参照图8,步骤S54中还包括以下步骤:
S54-1:每一类别路段的不同时段车辆密度和流量进行计算,设定路网区域内部某一路段为i,设定分析时段内经过路段i的车辆数为ni,设定路段i的长度为li米,设定路网区域内路段总里程为L米,设定每一周期时段长度为T秒,设定路网区域内有效轨迹车辆的渗透率为设定每一周期时段内经过路段i第j辆车的行驶时间为ttj i,设定该路段的车辆密度为ki、车辆流量为qi,根据公式:
计算得出筛选出的路网子区间内不同类别路段不同时刻的车辆密度和流量;
S54-2:对不同类别路段全天候不同时段的车辆密度和流量进行统计,获取每类别路段中代表性的车辆密度和流量数据,对该路段的车辆密度标记为k-、车辆流量标记为q-;
S54-3:计算该路网子区间的每一周期时段内平均车辆流量和密度,设定k* g为第g类路段中的代表性车辆密度,设定q* g为第g类路段中的代表性车辆流量,Ig为第g类路段在路网子区间的个数,设定该路网子区间的平均车辆密度为kc、平均车辆流量为qc,根据公式:
计算得出当前路网子区间的平均车辆密度和车辆流量数据,将数据进行汇总。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种基于宏观基本图的路网承载力估计方法,其特征在于:包括
S1:选取车流量较大的路网,构建路网拓扑,采集路网区域内的车辆号牌原始数据,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析;
S2:按照预处理后的车辆号牌数据对路网内部车辆在任意两个车辆号牌检测器之间的实际行驶时间和预算时间进行分析后进行车辆出行链的划分,根据所有车辆号牌检测器划分的出行链,得到该路网的全部出行链;
S3:筛选路网内部预处理的车辆号牌数据和划分的出行链,对缺失的车辆号牌数据对应的出行链进行标记,对该出行链进行轨迹重构路径;
S4:对路网内部车辆出行链进行划分和车辆缺失轨迹进行重构后,对区域内部的路网平均流量估计和路网平均密度估计,根据路网平均流量和平均密度计算数据,对路网不同时段的流量和密度进行可视化分析;
S5:对选取的路网区域进行人工分区,将选取的路网区域划分不同的路网子区间,对每一路网子区间进行路网承载力估计,根据不同路网子区间的承载力结果分析整个路网内部的承载力优化方案。
2.根据权利要求1所述的一种基于宏观基本图的路网承载力估计方法,其特征在于:所述S1中,采集路网区域内的车辆号牌原始数据,还包括以下步骤:
S11:在路网区域的每一交叉口进口道设置车辆号牌检测器,对每一车辆号牌检测器进行编码,梳理路网内部所有车辆号牌检测器位置的静态信息;
S12:车辆号牌检测器获取路网中的车辆号牌数据,将采集的车辆号牌信息发送至车辆号牌检测系统;
S13:车辆号牌检测系统提取原始车辆号牌信息与相采集车辆号牌检测器进行匹配,梳理路网区域内交叉路口的邻接关系,提取车辆在路网中的运行轨迹,进一步构建路网区域的拓扑结构。
3.根据权利要求1所述的一种基于宏观基本图的路网承载力估计方法,其特征在于:所述S1中,对采集到的原始号牌数据进行预处理,对处理好的数据进行统计性分析,还包括以下步骤:
S101:对车辆号牌检测器未识别的车辆号牌数据进行剔除;
S102:对车辆号牌检测器上传的重复数据进行剔除,任意两条数据设备编号、日期、车牌号、方向车道编号均相同时,当两条数据的时间差小于5秒,判定这两条数据重复;
S103:将剔除后的车辆号牌数据标记为有效数据,将有效车辆号牌数据与路网区域内部的交叉口进行匹配,将匹配后的数据进行统计。
S104:对统计的车辆号牌数据内部的车辆检测率和检测器渗透率进行分析,车辆检测率为有效车辆号牌数据与检测的总号牌数据之比,检测器渗透率为路网区域内部安装了车辆号牌检测器的交叉口数与路网区域内总交叉口数之比,设定路网区域内检测器渗透率为ρ,ρ≥15%,当检测渗透率满足条件,将车辆检测率和检测器渗透率进行统计。
4.根据权利要求1所述的一种基于宏观基本图的路网承载力估计方法,其特征在于:所述S2中,按照预处理后的车辆号牌数据对路网内部车辆在任意两个车辆号牌检测器之间的实际行驶时间和预算时间进行分析后进行车辆出行链的划分,还包括以下步骤:
S21:统计有效车辆号牌数据,抽取路网区域内部任意两个车辆号牌检测器,确定两个车辆号牌检测器的位置,获取两个车辆号牌检测器之间的最短路径距离和该路径的最高限速,设定最短路径距离为Ld,设定道路最高限速为Vd,设定车辆在该两车辆号牌检测器的行驶时间为Td,
S22:分析车辆在任意抽取的两个车辆号牌检测器之间行驶的预算时间,设定车辆在两车辆号牌检测器的预算时间为Tv,Tv=∝Td,其中,∝为大于1的常系数;
S23:获取车辆在任意抽取的两个车辆号牌检测器之间实际行驶时间,其中实际行驶时间包括车辆实际行驶时间和车辆停留时间,设定车辆实际行驶时间为Ts,将车辆实际行驶时间与车辆预算行驶时间进行对比,当Ts<Tv,判定当前抽取的两个车辆号牌检测器在同一出行链中,不能作为出行链划分点,当Ts>Tv,判定当前抽取的两个车辆号牌检测器所在的交叉口位置分别处于前一次出行链的结束和后一次出行链的开始,将该两个交叉口作为出行链划分点,进行出行链划分;
S24:重复步骤S21~S23,对路网内部的所有交叉口的车辆号牌检测器之间的时间阈值进行分析,将每两个车辆号牌检测器之间的出行链进行划分,得出路网区域内部全部出行链。
5.根据权利要求1所述的一种基于宏观基本图的路网承载力估计方法,其特征在于:所述S3中,筛选路网内部预处理的车辆号牌数据和划分的出行链,对缺失的车辆号牌数据对应的出行链进行标记,对该出行链进行轨迹重构路径,还包括以下步骤:
S31:在数据预处理和出行链划分的基础上,筛选路网区域内存在部分检测数据缺失的出行链,对该出行链进行轨迹重构;
S32:对筛选出检测数据缺失的出行链获取该出行链缺失的检测数据,提取该出行链对应的两个车辆号牌检测器之间的所有备选路径,对所有备选路径的预算时间进行计算,设定其中任意一条备选路径的预算时间为设定该备选路径中任意两个车辆号牌检测器连续检测到车辆号牌数据的时间差为Tc,当时,判定当前该备选路径无效,当时,判定当前该备选路径有效,重复此步骤,筛选出所有有效的备选路径。
S33:对所有有效备选路径内的主干道进行标记,获取每一有效备选路径主干道的长度,其中,路径主干道包括城市快速路和城市主干路,分析每一有效备选路径的选择概率,设定某条有效备选路径的总长度为LLBi,设定该有效备选路径中主干道的长度为LLZi,设定该有效备选路径的选择概率为P(i),根据公式:计算得出当前每一有效备选路径的选择概率;
S34:比较每一有效备选路径的选择概率,提取概率最大的一条路径作为轨迹重构路径,当其中两条有效备选路径的选择概率一致时,对比两条路径内部车辆号牌检测器的数量,提取其中车辆号牌检测器数量较少的一条路径作为轨迹重构的路径;
S35:重复步骤S31~S34,直至所有存在数据缺失的出行链完成轨迹重构。
6.根据权利要求1所述的一种基于宏观基本图的路网承载力估计方法,其特征在于:所述S4,对路网内部车辆出行链进行划分和车辆缺失轨迹进行重构后,对区域内部的路网平均流量估计和路网平均密度估计,还包括以下步骤:
S41:获取路网区域所有的出行链和轨迹重构路径,将路网区域内部每一路段进行划分为有向路段,统计路网区域内部经过不同有向路段的出行链的数量,计为经过不同有向路段的车辆数;
S42:对路网区域内有向路段总里程、每一有向路段长度进行统计,对观测路网区域车辆的时段进行划分,将观测天数的24小时划分为24个时区,将每一时区划分为4个分析周期,每一周期时段为15分钟,统计每一分析周期路网区域内部不同有向路段通过的车辆数和每一有向路段通过的车辆行程时间之和,将统计数据进行汇总;
S43:根据统计的路网区域内每一有向路段的数据,对路网平均流量进行估计,设定路网区域内部某一有向路段为i,设定分析时段内经过有向路段i的车辆数为ni,设定有向路段i的长度为li米,设定路网区域内有向路段总里程为L米,设定每一周期时段长度为T秒,设定路网区域内有效轨迹车辆的渗透率为其中路网区域内有效轨迹车辆的渗透率为小时内路网区域内有效轨迹车辆数量与出现总车辆数量之比,设定每一周期时段内路网所有车辆轨迹的总行程长度为TTD米,设定每一周期时段路网区域平均流量为q,根据公式:
计算得出当前路网内部每一周期时段的平均车流量,将车流量各时段估计结果进行可视化分析;
S44:根据统计的路网区域内每一有向路段的数据,对路网平均密度进行估计,设定每一周期时段内路网区域所有车辆轨迹总行程时间为TTT秒,设定每一周期时段内经过路段i第j辆车的行驶时间为ttj i,设定每一周期时段路网平均密度为k,根据公式:
计算得出当前每一周期时段的路网平均密度,将路网各时段平均密度估计结果进行可视化分析。
7.根据权利要求1所述的一种基于宏观基本图的路网承载力估计方法,其特征在于:所述S5,对选取的路网区域进行人工分区,将选取的路网区域划分不同的路网子区间,对每一路网子区间进行路网承载力估计,根据不同路网子区间的承载力结果分析整个路网内部的承载力优化方案,还包括以下步骤:
S51:对路网区域进行人工分区,根据路网的流量、速度、拥堵程度等划分为不同子区间;
S52:将划分的不同子区间根据拥堵程度进行标记,当子区间路网流量和密度达到路网承载力临界值,判断能够按照路网子区间内的实际车流量和密度估计MFD,当子区间路网持续畅通,达不到路网承载力的临界值,则判断MFD不可通过实测数据直接构建;
S53:筛选出能够按照实际车流量和密度估计MFD的路网子区间,按照路网平均流量估计和路网平均密度估计方法计算该路网子区间在每一周期时段内平均车辆流量和车辆密度;
S54:筛选出不可通过实际车流量和密度估计MFD的路网子区间,将该路网子区间内部的路段进行划分,将子区间内路段划分为2条车道路段、3条车道路段、4条车道路段三类,对每一类别路段的不同时段车辆密度和流量进行分析,从而计算该路网子区间的每一周期时段内平均车辆流量和密度;
S55:将划分的每一路网子区间计算的平均车辆流量和密度与理论路网车辆流量和密度承载力进行比较,得出当前不同路网子区间的承载力占比,根据占比情况得出路网内部每一子区间的车辆负载情况,根据车辆负载情况进行细化分析,根据不同路网子区间的情况针对性地进行交通优化管理。
8.根据权利要求7所述的一种基于宏观基本图的路网承载力估计方法,其特征在于:所述S54中对每一类别路段的不同时段车辆密度和流量进行分析,从而计算该路网子区间的每一周期时段内平均车辆流量和密度,还包括以下步骤:
S54-1:每一类别路段的不同时段车辆密度和流量进行计算,设定路网区域内部某一路段为i,设定分析时段内经过路段i的车辆数为ni,设定路段i的长度为li米,设定路网区域内路段总里程为L米,设定每一周期时段长度为T秒,设定路网区域内有效轨迹车辆的渗透率为设定每一周期时段内经过路段i第j辆车的行驶时间为ttj i,设定该路段的车辆密度为ki、车辆流量为qi,根据公式:
计算得出筛选出的路网子区间内不同类别路段不同时刻的车辆密度和流量;
S54-2:对不同类别路段全天候不同时段的车辆密度和流量进行统计,获取每类别路段中代表性的车辆密度和流量数据,对该路段的车辆密度标记为k-、车辆流量标记为q-;
S54-3:计算该路网子区间的每一周期时段内平均车辆流量和密度,设定k* g为第g类路段中的代表性车辆密度,设定q* g为第g类路段中的代表性车辆流量,Ig为第g类路段在路网子区间的个数,设定该路网子区间的平均车辆密度为kc、平均车辆流量为qc,根据公式:
计算得出,当前路网子区间的平均车辆密度和车辆流量数据,将数据进行汇总。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751741.3A CN113593220B (zh) | 2021-07-02 | 2021-07-02 | 一种基于宏观基本图的路网承载力估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751741.3A CN113593220B (zh) | 2021-07-02 | 2021-07-02 | 一种基于宏观基本图的路网承载力估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113593220A true CN113593220A (zh) | 2021-11-02 |
CN113593220B CN113593220B (zh) | 2022-07-29 |
Family
ID=78245603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751741.3A Active CN113593220B (zh) | 2021-07-02 | 2021-07-02 | 一种基于宏观基本图的路网承载力估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113593220B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049765A (zh) * | 2021-11-03 | 2022-02-15 | 扬州大学 | 基于自动车辆号牌识别数据的城市路网车流od估计方法 |
CN114399124A (zh) * | 2022-03-24 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 路径数据处理、路径规划方法、装置和计算机设备 |
CN115331433A (zh) * | 2022-07-28 | 2022-11-11 | 东南大学 | 基于多源数据的城市主干道多车轨迹重构方法 |
CN115331426A (zh) * | 2022-06-30 | 2022-11-11 | 同济大学 | 一种城市片区道路网交通承载力计算方法 |
CN115691170A (zh) * | 2022-11-03 | 2023-02-03 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2012073327A1 (ja) * | 2010-11-30 | 2014-05-19 | パイオニア株式会社 | 地図データ生成装置、地図データ生成方法、地図データ生成プログラム、及び、サーバ装置 |
CN104899360A (zh) * | 2015-05-18 | 2015-09-09 | 华南理工大学 | 一种绘制宏观基本图的方法 |
CN104933859A (zh) * | 2015-05-18 | 2015-09-23 | 华南理工大学 | 一种基于宏观基本图的确定网络承载力的方法 |
CN106408943A (zh) * | 2016-11-17 | 2017-02-15 | 华南理工大学 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
CN107766945A (zh) * | 2017-09-06 | 2018-03-06 | 北京交通发展研究院 | 城市路网承载力的计算方法 |
CN108364465A (zh) * | 2018-02-09 | 2018-08-03 | 太原理工大学 | 基于宏观基本图的城市路网控制子区的动态划分方法 |
CN109887288A (zh) * | 2019-03-27 | 2019-06-14 | 江苏智通交通科技有限公司 | 一种基于出行结构的城市路网诱导方案发布方法和系统 |
CN111882886A (zh) * | 2020-04-21 | 2020-11-03 | 东南大学 | 一种基于mfd的交通门限控制子区承载力估计方法 |
-
2021
- 2021-07-02 CN CN202110751741.3A patent/CN113593220B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2012073327A1 (ja) * | 2010-11-30 | 2014-05-19 | パイオニア株式会社 | 地図データ生成装置、地図データ生成方法、地図データ生成プログラム、及び、サーバ装置 |
CN104899360A (zh) * | 2015-05-18 | 2015-09-09 | 华南理工大学 | 一种绘制宏观基本图的方法 |
CN104933859A (zh) * | 2015-05-18 | 2015-09-23 | 华南理工大学 | 一种基于宏观基本图的确定网络承载力的方法 |
CN106408943A (zh) * | 2016-11-17 | 2017-02-15 | 华南理工大学 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
CN107766945A (zh) * | 2017-09-06 | 2018-03-06 | 北京交通发展研究院 | 城市路网承载力的计算方法 |
CN108364465A (zh) * | 2018-02-09 | 2018-08-03 | 太原理工大学 | 基于宏观基本图的城市路网控制子区的动态划分方法 |
CN109887288A (zh) * | 2019-03-27 | 2019-06-14 | 江苏智通交通科技有限公司 | 一种基于出行结构的城市路网诱导方案发布方法和系统 |
CN111882886A (zh) * | 2020-04-21 | 2020-11-03 | 东南大学 | 一种基于mfd的交通门限控制子区承载力估计方法 |
Non-Patent Citations (1)
Title |
---|
王宇俊: "城市信号控制网络宏观基本图模型研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049765A (zh) * | 2021-11-03 | 2022-02-15 | 扬州大学 | 基于自动车辆号牌识别数据的城市路网车流od估计方法 |
CN114399124A (zh) * | 2022-03-24 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 路径数据处理、路径规划方法、装置和计算机设备 |
CN115331426A (zh) * | 2022-06-30 | 2022-11-11 | 同济大学 | 一种城市片区道路网交通承载力计算方法 |
CN115331426B (zh) * | 2022-06-30 | 2023-12-01 | 同济大学 | 一种城市片区道路网交通承载力计算方法 |
CN115331433A (zh) * | 2022-07-28 | 2022-11-11 | 东南大学 | 基于多源数据的城市主干道多车轨迹重构方法 |
CN115331433B (zh) * | 2022-07-28 | 2023-09-29 | 东南大学 | 基于多源数据的城市主干道多车轨迹重构方法 |
CN115691170A (zh) * | 2022-11-03 | 2023-02-03 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
CN115691170B (zh) * | 2022-11-03 | 2023-08-29 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113593220B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113593220B (zh) | 一种基于宏观基本图的路网承载力估计方法 | |
CN102592453B (zh) | 一种基于时间窗口的实时交通状况判别方法 | |
CN102136194B (zh) | 基于全景计算机视觉的道路交通状态检测装置 | |
CN102800197B (zh) | 一种城市道路路段动态交通流基础数据的预处理方法 | |
CN111724589B (zh) | 一种基于多源数据的高速公路断面流量估计方法 | |
CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
CN102842109B (zh) | 停车场服务水平量化分级的评价方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN107180270A (zh) | 客流预测方法及系统 | |
Bulusu et al. | Comparison of methodologies to predict bridge deterioration | |
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
CN110516866B (zh) | 一种用于城市轨交列车拥挤度的实时估计方法 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN105374209A (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
CN114596700B (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN110634292A (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
CN110738853B (zh) | 一种基于复杂网络相关性的关键节点识别方法 | |
CN117593167B (zh) | 基于大数据的智能城市规划管理方法及系统 | |
CN116052435A (zh) | 一种城市道路拥堵影响范围界定与道路影响力计算方法 | |
CN104182633A (zh) | 分层次的交通运行评价方法 | |
CN110070720A (zh) | 提高交叉口占道施工区通行能力模型拟合度的计算方法 | |
CN106683024A (zh) | 一种基于排放源强相似性的机动车尾气遥测设备布点方法 |
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 |