CN113628455B - 车联网环境下考虑车内人数的交叉口信号优化控制方法 - Google Patents
车联网环境下考虑车内人数的交叉口信号优化控制方法 Download PDFInfo
- Publication number
- CN113628455B CN113628455B CN202110724407.9A CN202110724407A CN113628455B CN 113628455 B CN113628455 B CN 113628455B CN 202110724407 A CN202110724407 A CN 202110724407A CN 113628455 B CN113628455 B CN 113628455B
- Authority
- CN
- China
- Prior art keywords
- intersection
- vehicles
- current intersection
- time
- current
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
Abstract
本申请涉及一种车联网环境下考虑车内人数的交叉口信号优化控制方法。该方法包括:通过在车联网环境下,根据当前交叉口的上游交叉口的车辆离去信息,基于训练好的长短时记忆神经网络模型实时预测当前交叉口的预计到达车辆数;根据当前交叉口的预计到达车辆数进行分析,确定当前交叉口未来时刻的排队车辆数;根据当前交叉口的未来时刻的排队车辆数,构建以当前交叉口的滞留人数为核心因素的信号优化模型;采用粒子群算法对信号优化模型进行分析,获得当前交叉口所有相位的最优绿灯持续时间;根据当前交叉口所有相位的最优绿灯持续时间,对当前交叉口的交叉口信号进行滚动优化控制,提高交叉口的通行效率,缓解道路交通压力。
Description
技术领域
本申请涉及城市交通管理控制技术领域,特别是涉及一种车联网环境下考虑车内人数的交叉口信号优化控制方法。
背景技术
随着中国经济的发展和城市规模的扩张,交通需求快速增长,由此导致城市交通供需失衡,交通拥堵问题日趋严重。在城市内,交通信号交叉口的控制管理对城市区域交通通行效率及居民出行时间起着至关重要的作用,合理的信号配时方案能够有效地分配道路交叉口地时空资源,根据各个进口道的交通状态及流量信息,为居民的生活和工作提供良好的出行服务体验。
传统的道路交叉口交通管理信号控制的方式主要有固定式信号控制和感应式信号控制等。固定式信号控制,也称定时信号控制,是目前城市道路交通管理系统中最常用的一种信号控制方式,但由于其信号周期是固定不变的,实际上信号方案的设计会受到道路交叉口地理位置及不同时间段内道路交通流量等诸多因素的影响,当交通流的运行状态在一段时间内变化时,固定式信号控制的效果较差。感应式信号控制在一定程度上弥补了固定式信号控制的不足,通过检测车辆的到达从而对是否切换该相位的绿灯做出决策,但感应式控制策略中每次检测到车辆的绿灯延长时间是固定的。
因此,目前的道路交叉口交通管理信号控制方案,对于交叉口信号控制灵活性不够,容易出现绿灯时间利用不充分,使得交叉口的通行效率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决交叉口的通行效率低的车联网环境下考虑车内人数的交叉口信号优化控制方法。
一种车联网环境下考虑车内人数的交叉口信号优化控制方法,所述方法包括:
在车联网环境下,根据当前交叉口的上游交叉口的车辆离去信息,基于训练好的长短时记忆神经网络模型实时预测当前交叉口的预计到达车辆数,所述车辆离去信息包括车流量、车速和加速度;
根据所述当前交叉口的预计到达车辆数进行分析,确定当前交叉口未来时刻的排队车辆数;
根据所述当前交叉口的未来时刻的排队车辆数,构建以当前交叉口的滞留人数为核心因素的信号优化模型;
采用粒子群算法对所述信号优化模型进行分析,获得当前交叉口所有相位的最优绿灯持续时间;
根据所述当前交叉口所有相位的最优绿灯持续时间,对所述当前交叉口的交叉口信号进行滚动优化控制。
在其中一个实施例中,所述根据所述当前交叉口的预计到达车辆数进行分析,确定当前交叉口未来时刻的排队车辆数的步骤,包括:
根据所述当前交叉口的预计到达车辆数,采用增量排队累积延误算法对排队车辆数进行分析,获得确定当前交叉口未来时刻的排队车辆数。
在其中一个实施例中,所述增量排队累积延误算法为:
Lt=Lt-1+At-Dt
式中,为当前交叉口未来时刻t各个行驶方向的排队车辆数;Lt-1为未来时刻t的上一时刻各个行驶方向的排队车辆数;At为当前交叉口的预计到达车辆数;Dt为当前交叉口未来时刻的预计离去车辆数;t∈[1,T′]为当前交叉口的预计到达车辆数,p为行驶方向总个数,T′为预测区间的长度;为预测区间内未来时刻t各个行驶方向的信号灯状态,xi,t为在预测区间内未来时刻t的行驶方向编号为i的信号灯状态,xi,t=0,1,2分别表示红灯、绿灯和黄灯;为各个行驶方向的饱和流率;li,t-1为未来时刻t的上一时刻行驶方向编号为i的排队车辆数;i为形式方向编号,i∈1,2,3……p。
在其中一个实施例中,所述信号优化模型为:
式中,Pn为车内人数为n时的概率,PI为此路口该预测区间内的预计总滞留人数;li,t为当前交叉口未来时刻t行驶方向编号为i的排队车辆数,gj为第j相位的绿灯持续时间;y为黄灯持续时间;r为红灯持续时间;k为相位个数;H为优化区间长度;Gmin为最小绿灯时间,Gmax为最长绿灯时间。
在其中一个实施例中,所述粒子群算法的速度向量更新公式为:
式中,Xm为第m个粒子的位置向量,Vm为第m个粒子的速度向量,为第m-1个粒子在未来时刻t的速度,为第m个粒子在未来时刻t的下一时刻速度,Pbestm是粒子m的历史最佳位置,Gbest表示整个种群的历史最佳位置,c1为第一学习因子,c2为第二学习因子,r1和r2为[0,1]范围内的均匀随机数。
在其中一个实施例中,所述粒子群算法的位置迭代公式为:
上述车联网环境下考虑车内人数的交叉口信号优化控制方法,通过在车联网环境下,根据当前交叉口的上游交叉口的车辆离去信息,基于训练好的长短时记忆神经网络模型实时预测当前交叉口的预计到达车辆数;根据所述当前交叉口的预计到达车辆数进行分析,确定当前交叉口未来时刻的排队车辆数;根据所述当前交叉口的未来时刻的排队车辆数,构建以当前交叉口的滞留人数为核心因素的信号优化模型;采用粒子群算法对所述信号优化模型进行分析,获得当前交叉口所有相位的最优绿灯持续时间;根据所述当前交叉口所有相位的最优绿灯持续时间,对所述当前交叉口的交叉口信号进行滚动优化控制,实现更加高效、灵活的交叉口信号控制策略,提高了绿灯时间利用率,提高交叉口的通行效率,缓解道路交通压力。
附图说明
图1为一个实施例中车联网环境下考虑车内人数的交叉口信号优化控制方法的流程示意图;
图2为一个实施例中车联网环境下考虑车内人数的交叉口信号优化控制方法滚动优化策略示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种车联网环境下考虑车内人数的交叉口信号优化控制方法,包括以下步骤:
步骤S220:在车联网环境下,根据当前交叉口的上游交叉口的车辆离去信息,基于训练好的长短时记忆神经网络(LSTM)模型实时预测当前交叉口的预计到达车辆数,车辆离去信息包括车流量、车速和加速度。
其中,在车联网环境下,将当前交叉口和当前交叉口的上游交叉口靠近停车线位置分别部署道路检测单元,通过道路检测单元获取对应交叉口的车辆离去信息,车辆离去信息包括车流量q、车速v及加速度a等数据,每隔一定时间间隔,如间隔1s。车联网环境是利用车联网技术实现的环境,车联网技术是以车感网络技术、射频识别技术及无线通信等技术为基础,通过在车辆上安装车载单元,在道路上部署路侧检测单元,实现车辆与道路基础设施的实时交互及信息传递等功能,从而有效利用了城市道路中所有车辆的动态信息,既能保障车辆的通行安全又有利于提高交通运行效率。
长短时记忆神经网络(LSTM)模型的训练步骤为:
道路检测单元分别采集当前时刻当前交叉口的上游交叉口前100s的车辆离去信息作为样本数据,当前交叉口的前100s的车辆到达信息作为标签数据。
式中,u为上游数据采集矩阵;d为下游数据采集矩阵;T为采集时长,采集时长可取100s。
长短时记忆神经网络模型在对输入数据的形式上有严格要求,因此在进行长短时记忆神经网络模型训练前,需要对采集的车辆离去信息进行处理,整个处理过程主要包括三个部分,首先需要对车辆离去信息进行归一化,然后将采集到的归一化后的车辆离去信息划分训练集和测试集,最后再将此预测问题转化为监督学习问题。
车辆离去信息的各种数据特征的量纲不同,若两个特征量级相差较大,则在优化过程中迭代速度很慢,故对其进行缩放处理,这样不但能够提高其优化速度而且有利于提高预测精度。
归一化处理的公式为:
式中,x为采集的车辆离去信息中被归一化的特征数据中的实际值,x′为该实际值归一化后的值,xmax为被归一化的特征数据的最大值,xmin为被归一化的特征数据的最小值。
为了达到预测要求,归一化后的车辆离去信息作为样本数据,划分为训练集和测试集,划分完成后,给输入样本数据添加标签使预测问题转化为监督学习问题,从而使得长短时记忆神经网络模型在训练过程中能够学习挖掘潜在的隐含参数信息。
在数据处理完成后,将进入长短时记忆神经网络模型训练阶段,采用能够融合多种特征类型的多变量多步(Multi-variables multi-steps)长短时记忆神经网络模型,利用样本数据和标签数据进行训练拟合,完成训练,获得训练好的长短时记忆神经网络模型。
以距离当前时刻20s当前交叉口的上游交叉口的车辆离去信息作为输入,输入到训练好的长短时记忆神经网络模型,从而输出当前交叉口未来40s的预计到达车辆数,预测过程中考虑了车流量、车速及加速度因素的当前交叉口流量预测过程,提高了预测当前交叉口的预计到达车辆数的精度。此外,鉴于神经网络模型的训练过程将耗费一段时间,因此可以每隔一段时间对长短时记忆神经网络模型进行重新训练,更新训练好的长短时记忆神经网络模型,从而提高其训练好的长短时记忆神经网络(LSTM)模型预测效率和精度。
步骤S240:根据当前交叉口的预计到达车辆数进行分析,确定当前交叉口未来时刻的排队车辆数。
其中,当当前交叉口的预计到达车辆数预测完成后,需利用增量排队累积延误(IQA)算法对当前交叉口各行驶方向在未来时刻的排队车辆数进行计算:
Lt=Lt-1+At-Dt
为得到当前交叉口未来时刻的预计离去车辆数Dt,可依据未来时段内的信号配时方案、当前交叉口的预计到达车辆数及车道饱和流率来获得:
式中,t∈[1,T′]为当前交叉口的预计到达车辆数,p为行驶方向总个数,T′为预测区间的长度;为预测区间内未来时刻t各个行驶方向的信号灯状态,xi,t为在预测区间内未来时刻t的行驶方向编号为i的信号灯状态,xi,t=0,1,2分别表示红灯、绿灯和黄灯;为各个行驶方向的饱和流率;t∈[0,T′]为未来时刻t各个行驶方向的离去车辆数;li,t-1为未来时刻t的上一时刻行驶方向编号为i的排队车辆数;i为形式方向编号,i∈1,2,3……p。
步骤S260:根据当前交叉口的未来时刻的排队车辆数,构建以当前交叉口的滞留人数为核心因素的信号优化模型。
其中,信号优化模型包括目标函数和约束条件。在当前交叉口的未来时刻的排队车辆数计算完成后,依据预先设定好的车内人数分布,对各排队车辆的车内人数进行计算,如:预先设定好的车内人数分布如表1所示:
表1车内人数分布表
其中,目标函数的公式为:
式中,Pn为车内人数为n时的概率,PI为预测区间内当前交叉口的预计总滞留人数;li,t为当前交叉口未来时刻t行驶方向编号为i的排队车辆数。
约束条件为:
X=f(G,y,r)
Gmin≤gj≤Gmax
式中,gj为第j相位的绿灯持续时间;y为黄灯持续时间;r为红灯持续时间;k为相位个数;H为优化区间长度;Gmin为最小绿灯时间,Gmax为最长绿灯时间。
即,各个相位的黄灯持续时间、绿灯持续时间以及红灯持续时间之和应满足优化区间长度要求,同时相位绿灯持续时间应大于或等于最小绿灯持续时间,同时相位绿灯持续时间小等于最大绿灯持续时间。
信号优化模型为:
求解上述信号优化模型,可得出当前交通状态下当前交叉口所有相位的最优绿灯持续时间,从而实现交叉口内滞留人数最小。
步骤S280:采用粒子群算法对信号优化模型进行分析,获得当前交叉口所有相位的最优绿灯持续时间。
其中,粒子群算法的思想源于对鸟群捕食行为的研究,模拟鸟群飞行觅食行为,是一种基于群体智能的优化算法,没有遗传算法的交叉和变异操作,通过追随当前搜索到的最优值来寻找全局最优,简单易行且收敛速度较快适用于网联车环境下的信号优化控制。所有相位的最优绿灯持续时间作为粒子群算法的粒子,对信号优化模型进行求解,获得当前交叉口所有相位的最优绿灯持续时间。
粒子群算法求解的步骤如下:
(1)种群及参数初始化:
采用随机初始化种群参数、种群位置,种群个体数40,迭代次数设为400次。
(2)计算粒子适应度:
按照以交叉口内滞留车内人数最少的目标在初始化条件下计算适应度,从而选择出个体的局部最优位置和种群的全局最优位置。
(3)更新粒子历史最优位置:
根据速度向量迭代公式和位置向量迭代公式更新粒子的位置,即更新配时最优方案。
速度向量更新公式:
式中,Xm为第m个粒子的位置向量,Vm为第m个粒子的速度向量,为第m-1个粒子在未来时刻t的速度,为第m个粒子在未来时刻t的下一时刻速度,Pbestm是粒子m的历史最佳位置,Gbest表示整个种群的历史最佳位置,c1为第一学习因子,c2为第二学习因子,r1和r2为[0,1]范围内的均匀随机数。
位置迭代公式:
迭代完成后,重新更新计算适应度。
(4)判断迭代次数是否满足条件,如果满足则输出Gbest,即全局最优配时方案,否则继续迭代直到满足条件为止,该全局最优配时方案对应了当前交叉口所有相位的最优绿灯持续时间。
S300:根据当前交叉口所有相位的最优绿灯持续时间,对当前交叉口的交叉口信号进行滚动优化控制。
其中,当某个优化相位运行结束时,重新对优化区间内的相位绿灯持续时间进行优化,得到新的优化方案,在下一相位运行时,采用新一轮的最优绿灯时间,实现滚动优化策略。例如,若一个交叉口的配时方案中共有三个相位,当相位1运行结束后,进行滚动优化,获得相位2的相位持续时长,当此相位运行结束后,继续优化获得相位3的相位时长,其具体优化策略如图2所示。
上述车联网环境下考虑车内人数的交叉口信号优化控制方法,通过在车联网环境下,根据当前交叉口的上游交叉口的车辆离去信息,基于训练好的长短时记忆神经网络模型实时预测当前交叉口的预计到达车辆数,车辆离去信息包括车流量、车速和加速度;根据当前交叉口的预计到达车辆数进行分析,确定当前交叉口未来时刻的排队车辆数;根据当前交叉口的未来时刻的排队车辆数,构建以当前交叉口的滞留人数为核心因素的信号优化模型;采用粒子群算法对信号优化模型进行分析,获得当前交叉口所有相位的最优绿灯持续时间;根据当前交叉口所有相位的最优绿灯持续时间,对当前交叉口的交叉口信号进行滚动优化控制,实现更加高效、灵活的交叉口信号控制策略,提高了绿灯时间利用率,提高交叉口的通行效率,缓解道路交通压力。
进一步提高车联网环境下考虑车内人数的交叉口信号优化控制方法对于交叉口信号控制的灵活性的方式包括:
1、加强道路交叉口排队车辆的管控,尽量避免出现车辆变道及横向干扰。
2、提高车联网的渗透率,向渗透率为100%靠近。
3、交通状态条件尽量保持在非饱和交通流状态。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (1)
1.一种车联网环境下考虑车内人数的交叉口信号优化控制方法,其特征在于,所述方法包括:
在车联网环境下,根据当前交叉口的上游交叉口的车辆离去信息,基于训练好的长短时记忆神经网络模型实时预测当前交叉口的预计到达车辆数,所述车辆离去信息包括车流量、车速和加速度;
根据所述当前交叉口的预计到达车辆数进行分析,确定当前交叉口未来时刻的排队车辆数,具体包括:
根据所述当前交叉口的预计到达车辆数,采用增量排队累积延误算法对排队车辆数进行分析,获得确定当前交叉口未来时刻的排队车辆数,所述增量排队累积延误算法为:
Lt=Lt-1+At-Dt
式中,为当前交叉口未来时刻t各个行驶方向的排队车辆数;Lt-1为未来时刻t的上一时刻各个行驶方向的排队车辆数;Dt为当前交叉口未来时刻的预计离去车辆数;为当前交叉口的预计到达车辆数,t∈[1,T′],p为行驶方向总个数,T′为预测区间的长度;为预测区间内未来时刻t各个行驶方向的信号灯状态,xi,t为在预测区间内未来时刻t的行驶方向编号为i的信号灯状态,xi,t=0,1,2分别表示红灯、绿灯和黄灯;为各个行驶方向的饱和流率;li,t-1为未来时刻t的上一时刻行驶方向编号为i的排队车辆数;i为形式方向编号,i∈1,2,3……p,ai,t是指交叉口第i行驶方向上某时刻t的预计车辆到达数,si是指交叉口第i行驶方向的饱和流率;di,t指交叉口第i行驶方向上某时刻t的预计离去车辆数;
根据所述当前交叉口的未来时刻的排队车辆数,构建以当前交叉口的滞留人数为核心因素的信号优化模型;所述信号优化模型为:
式中,Pn为车内人数为n时的概率,PI为预测区间内当前交叉口的预计总滞留人数;li,t为当前交叉口未来时刻t行驶方向编号为i的排队车辆数,gj为第j相位的绿灯持续时间;y为黄灯持续时间;r为红灯持续时间;k为相位个数;H为优化区间长度;G为绿灯持续时间,Gmin为最小绿灯时间,Gmax为最长绿灯时间;
采用粒子群算法对所述信号优化模型进行分析,获得当前交叉口所有相位的最优绿灯持续时间;所述粒子群算法的速度向量更新公式为:
式中,Xm为第m个粒子的位置向量,Vm为第m个粒子的速度向量,为第m-1个粒子在未来时刻t的速度,为第m个粒子在未来时刻t的下一时刻速度,Pbestm是粒子m的历史最佳位置,Gbest表示整个种群的历史最佳位置,c1为第一学习因子,c2为第二学习因子,r1和r2为[0,1]范围内的均匀随机数;
所述粒子群算法的位置迭代公式为:
根据所述当前交叉口所有相位的最优绿灯持续时间,对所述当前交叉口的交叉口信号进行滚动优化控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724407.9A CN113628455B (zh) | 2021-06-29 | 2021-06-29 | 车联网环境下考虑车内人数的交叉口信号优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724407.9A CN113628455B (zh) | 2021-06-29 | 2021-06-29 | 车联网环境下考虑车内人数的交叉口信号优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628455A CN113628455A (zh) | 2021-11-09 |
CN113628455B true CN113628455B (zh) | 2022-08-05 |
Family
ID=78378480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110724407.9A Active CN113628455B (zh) | 2021-06-29 | 2021-06-29 | 车联网环境下考虑车内人数的交叉口信号优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628455B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189463B (zh) * | 2023-01-31 | 2023-09-26 | 华南理工大学 | 基于信息物理系统的单交叉口信号配时方案滚动优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007141144A (ja) * | 2005-11-22 | 2007-06-07 | Toyota Motor Corp | 交差点管制システム及び装置 |
CN104575038A (zh) * | 2015-01-05 | 2015-04-29 | 东南大学 | 一种考虑多路公交优先的交叉口信号控制方法 |
CN106652493A (zh) * | 2016-12-29 | 2017-05-10 | 东南大学 | 一种车联网环境下的交叉口信号优化控制方法 |
CN109300323A (zh) * | 2018-11-21 | 2019-02-01 | 荆门博谦信息科技有限公司 | 一种基于车联网的车速引导方法及系统 |
CN111341138A (zh) * | 2020-03-24 | 2020-06-26 | 北方工业大学 | 优化公交运行效率的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160293004A1 (en) * | 2015-04-06 | 2016-10-06 | Umm Al-Qura University | Method and system for controlling and monitoring traffic light for optimizing wait time |
-
2021
- 2021-06-29 CN CN202110724407.9A patent/CN113628455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007141144A (ja) * | 2005-11-22 | 2007-06-07 | Toyota Motor Corp | 交差点管制システム及び装置 |
CN104575038A (zh) * | 2015-01-05 | 2015-04-29 | 东南大学 | 一种考虑多路公交优先的交叉口信号控制方法 |
CN106652493A (zh) * | 2016-12-29 | 2017-05-10 | 东南大学 | 一种车联网环境下的交叉口信号优化控制方法 |
CN109300323A (zh) * | 2018-11-21 | 2019-02-01 | 荆门博谦信息科技有限公司 | 一种基于车联网的车速引导方法及系统 |
CN111341138A (zh) * | 2020-03-24 | 2020-06-26 | 北方工业大学 | 优化公交运行效率的方法 |
Non-Patent Citations (2)
Title |
---|
基于预信号的交叉口公交相位插入策略设计;华怡等;《东南大学学报(自然科学版)》;20131120(第06期);全文 * |
考虑容量限制的多公交车型运行计划优化模型;张思林等;《交通运输系统工程与信息》;20170215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113628455A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10395529B2 (en) | Traffic signal control using multiple Q-learning categories | |
CN111951549B (zh) | 在网联车辆环境下的自适应交通信号灯控制方法及系统 | |
CN111785045B (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及系统 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN112735126B (zh) | 一种基于模型预测控制的混合交通流协同优化控制方法 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN105006147A (zh) | 一种基于道路时空关联关系的路段行程时间推断方法 | |
Liang et al. | City traffic prediction based on real-time traffic information for intelligent transport systems | |
CN114495499B (zh) | 一种多目标智能网联车辆协同优化控制方法 | |
CN113643528A (zh) | 信号灯控制方法、模型训练方法、系统、装置及存储介质 | |
Eriksen et al. | Uppaal stratego for intelligent traffic lights | |
CN114360266A (zh) | 一种网联车探测状态感知的交叉口强化学习信号控制方法 | |
CN106297296B (zh) | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 | |
CN113628455B (zh) | 车联网环境下考虑车内人数的交叉口信号优化控制方法 | |
Roshan et al. | Adaptive traffic control with TinyML | |
CN114120670B (zh) | 用于交通信号控制的方法和系统 | |
CN113487889A (zh) | 基于快速梯度下降的单交叉口信号控制的交通状态对抗扰动生成方法 | |
CN110021168B (zh) | 一种车联网下实现实时智能交通管理的分级决策方法 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 | |
CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
Feng et al. | Urban Arterial Signal Coordination Using Spatial and Temporal Division Methods | |
Xu et al. | A spatio-temporal multivariate adaptive regression splines approach for short-term freeway traffic volume prediction | |
Gündogan et al. | Pattern recognition method for simplified coordinated traffic signal control | |
CN113688687A (zh) | 一种基于电警数据的交通拥堵状态快速识别预测方法 |
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 |