CN113643531B - 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 - Google Patents
一种基于细小时区划分统计的交叉口车道饱和流率计算方法 Download PDFInfo
- Publication number
- CN113643531B CN113643531B CN202110820649.8A CN202110820649A CN113643531B CN 113643531 B CN113643531 B CN 113643531B CN 202110820649 A CN202110820649 A CN 202110820649A CN 113643531 B CN113643531 B CN 113643531B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- intersection
- vehicle
- time zone
- 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
- G08G1/01—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G08G1/065—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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于细小时区划分统计的交叉口车道饱和流率计算方法,采用精度为毫秒级的交叉口电警过车数据为测算依据,通过对测算时段的细小时区划分与定义,与交叉口车道车头时距数据结合,取出属于定义为绿灯饱和时间区的车头数据,再通过反复统计扩大样本容量,合并车头数据获得待聚类组,通过数据预处理和算法聚类分析,并对聚类后的不同车头时距簇的百分比进行分析,选取可以代表本测量时段的代表簇,合并代表簇,得到代表组,并计算其车头时距的平均值,最后计算出该时段的交叉口车道饱和流率,有效提高了交叉口车道饱和流率测算的普及性、准确性与有效性,能够更好的满足交叉口信号配时、饱和度、车辆延误等参数的计算需求。
Description
技术领域
本发明涉及交通控制技术领域,尤其涉及一种基于细小时区划分统计的交叉口车道饱和流率计算方法。
背景技术:
随着城市人口以及机动车保有量的持续增加,路网不畅、设施不足、交通拥堵等问题越来越突出,对城市交通管理造成的冲击和压力也越来越大,人们对交通系统运行的可靠性和可控性要求越来越高。而作为城市道路重要组成部分的交叉口是主要的研究对象,其中交叉口的通行能力、信号配时作为研究的主要内容,在交叉口范围内存在不同方向机动车、非机动车和行人之间的冲突,因此交叉口处容易出行拥堵甚至于交通事故等问题。
交通信号控制系统是指利用交通信号灯,对孤立交叉口运行的车辆和行人进行通行权的分配,相比于交通设计改善的方法更容易让交通参与者适应,且对交通妨碍少,成本低。
交叉口车道饱和流率是计算交叉口信号配时、饱和度、车辆延误等数据的重要参数,但目前已有的方法存在着如下问题:
一是传统人工统计方法费时费力,样本数据受限,饱和流率测算精度不能很好保证;
二是已有通过检测器检测车流量数据计算的方法需要在交叉口各个方向安装车辆检测器,普及性不高,已有通过电子警察过车数据计算的方法虽然普及性好,但由于精度没有上升到毫秒级,不能满足交叉口的车道饱和流率参数计算要求,且上述已有方法大多需要和交叉口信号机的红绿灯状态数据进行匹配,统计每个信号周期绿灯时间内的过车时间和过车数量,实际情况由于时钟校准、数据延迟等问题,容易导致过车数据和信号灯灯色数据匹配存在较大误差,饱和流率参数计算过程较为复杂、精度不高,由于涉及两个系统的数据获取和匹配,所以普及性和实用性仍然不高;
三是交叉口车道饱和流率测算需要进行实际的车头时距数值测量与数据处理,容易受到车型、天气、时段等外部因素的影响,虽然已有技术在分车型、天气、时段等方面已对饱和流率测算进行改进,但最后计算结果尚未考虑到在既定道路通行环境下采用代表大部分车辆在车道通行的车头时距来计算交叉口车道饱和流率,使得饱和流率测算结果不能反映某车道大部分车辆的通行情况,在计算交叉口信号配时、饱和度、车辆延误等参数时容易存在偏差,不能满足交叉口车道饱和流率参数在实际应用的需求。
针对上述现有车头时距获取方法需与交叉口信号机的红绿灯状态数据进行匹配以及车头数据处理方法,不能很好代表大多数车辆通行情况等所产生的系列问题,需要研究新的计算方法满足需求。
发明内容:
为了弥补现有方法的不足之处,本发明的目的在于提供一种基于细小时区划分统计的交叉口车道饱和流率计算方法,突破已有的数据统计和计算方法,为提高普及性和减少数据匹配所带来的额外误差,在相同的外部条件下,不通过与交叉口信号机的红绿灯状态数据进行匹配,而是将测量时段划分为若干个细小时区,通过对细小时区分类统计,以细小时区为载体,获取准确的、样本量大的车头时距,并通过对聚类分析后的车头时距数据进行占比分析,获得可以代表大多数车辆在交叉口车道通行的车头时距,进而计算可代表大部分车辆通行情况的交叉口车道饱和流率。
本发明的技术方案如下:
一种基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,包括如下步骤,
1)、采用普及性的交叉口进口道电警过车数据作为计算样本,对电警过车数据进行统计分析,按不同时期的不同时间段取过车数据作为计算依据;
2)、获取所需测算时段交叉口每条车道的电警过车数据,对数据进行清洗,处理异常值,得出可用于计算的电警过车数据;
3)、将测算时段划分为若干细小等距的时间区间,该时间区间为细小时区;
4)、将过车数据按时间戳排序,与含细小时区的测算时段结合,对细小时区内的车道车头时距进行计算,跨时区的数据舍去;并根据车道车头时距测算值和个数对每个时间区间进行归类和定义,分别是红灯等待时间区、绿灯非饱和时间区和绿灯饱和时间区;
5)、根据天气情况、流量情况将测量时段分类,获取一个月内不同天的同一类测算时段进口道的电警过车数据,进行如上操作,获取相同条件下的大样本量数据;
6)、将数据中归类为绿灯饱和时间区的车头时距样本数据取出、合并,得到待聚类数组;
7)、对聚类数组的数据进行预处理,剔除异常值;进行聚类分析,将车头时距聚类分为若干数据簇,分析不同簇中车头时距个数的占车头时距聚类总数的百分比,选取代表簇;合并代表簇,得到代表组,计算代表组中车头时距平均值,作为交叉口车道饱和车头数据值;
8)、最后计算出该测算时段的交叉口车道饱和流率。
所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的过车数据的不同时期分为按工作日、非工作日、节假日,不同时间段分为高峰、低峰、平峰,过车时间精确到毫秒。
所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的电警过车数据包括车道编号、车辆号牌和过车时间。
所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的细小时区长度可依实际情况进行调整,细小时区长度为5~15秒。
所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的聚类分析采用K-Means算法。
所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的测算时段的交叉口车道饱和流率为3600/饱和车头数据值。
与现有技术相比,本发明存在以下技术效果:
1、本发明针对现有车头时距获取方法需与交叉口信号机的红绿灯状态数据进行匹配以及车头数据处理方法不能很好代表大多数车辆通行情况等所产生的系列问题,为提高普及性和减少数据匹配所带来的额外误差,在相同的外部条件下,不通过与交叉口信号机的红绿灯状态数据进行匹配;
2、本发明采用精度为毫秒级的交叉口电警过车数据为测算依据,通过对测算时段的细小时区划分与定义,与交叉口车道车头时距数据结合,取出属于定义为绿灯饱和时间区的车头数据,不需要与信号机红绿灯状态数据进行匹配,再通过对一个月内相同外部条件下的同一类测量时段的数据进行反复统计,扩大样本容量,合并车头数据获得待聚类组,通过数据预处理和K-Means算法聚类分析,并对聚类后的不同车头时距簇的百分比进行分析,选取可以代表本测量时段的代表簇,合并代表簇,得到代表组,并计算其车头时距的平均值,最后计算出该时段的交叉口车道饱和流率;
3、本发明有效提高了交叉口车道饱和流率测算的普及性、准确性与有效性,能够更好的满足交叉口信号配时、饱和度、车辆延误等参数的计算需求。
附图说明:
图1为本发明的的方法流程图。
图2为本发明某测量时段某一周期的细小时区划分示意图。
图3为本发明对数据簇占比的分析流程图。
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。
一种基于细小时区划分统计的交叉口车道饱和流率计算方法,包括如下步骤:
步骤一:采用普及性较高的交叉口进口道电警过车数据作为计算样本,为保证足够的样本容量,根据天气情况、流量情况将测量时段分类,控制外部因素不变,获取一个月内不同天的同一类测算时段的电警过车数据,合并数据形成电警过车数据组。并对数据进行清洗,处理异常值,得出可用于计算的电警过车数据(车道编号、车辆号牌(ID)和过车时间),过车时间精确到毫秒;
步骤二:根据细小时段划分法,将数据中属于绿灯饱和时区的车头时距取出、合并,得到待聚类数组;细小时段划分法:将测算时段划分为若干细小等距的时间区间(10s左右),细小时区长度可依实际情况进行调整;将过车数据按时间戳排序,与含细小时区的测算时段结合。对细小时区内的车道车头时距进行计算,跨时区的数据可舍去;并根据车道车头时距测算值和个数对每个时间区间进行归类和定义,分别是红灯等待时间区、绿灯非饱和时间区和绿灯饱和时间区;具体可参考对图2的解释;
如图2所示,结合某测量时段某一周期解释细小时区划分法:
为解决获取车头时距需与红绿灯匹配的局限性,将测算时段划分为若干细小等距的时间区间,如10s细小时区1、10s细小时区2等;如图可看出,细小时区的划分不依赖于红灯区与绿灯区;整理过车数据按过车时间戳排序,与含细小时区的测算时段结合,使过车数据包含在一个个细小的等距时区内;对细小时区内的车头时距进行计算,具体地,车头时距为在同一车道上行驶的车辆队列中,两连续车辆车头端部通过某一断面的时间间隔,即为后车过车时间减前车过车时间,如车头时距h1=t2-t1,跨时区的数据舍去。
具体地,细小时区长度可依实际情况考虑,以保证每个细小时区所含车头时距个数为0~4个,足以区分不同时区;
具体地,过车数据包含车辆ID和过车时间,过车时间为车辆通过停止线的时间,单位精确到毫秒;
具体地,由于数据样本量大,舍去跨时区的数据对于结果影响不大;根据车头时距测算值和个数对每个时间区间进行归类和定义,分别是红灯等待时间区、绿灯非饱和时间区和绿灯饱和时间区,定义如下:
红灯等待时间区:车头时距大于3s的个数小于等于1;
绿灯非饱和时间区:车头时距大于3s的个数大于等于2;
绿灯饱和时间区:车头时距在0~3s的个数大于等于3。
具体地,红灯等待时间区主要为红灯亮起阶段的细小时区,此阶段内没有过车数据,而且如图2所示由于细小时区划分的随意性,可能出现细小时区跨图2中红灯区与绿灯区的情况,为便于处理,将车头时距大于3s的个数小于1和没有车头时距即个数小于1的细小时区定义为红灯等待时间区,如细小时区1、细小时区2;
关于属于绿灯亮灯时段的细小时区,对于绿灯非饱和时区,此时处于绿灯初期的车辆起步阶段或绿灯末期的车辆不连续到达阶段,车头时距均较大,为非饱和车头时距占多数,考虑舍去跨时区数据,量化处理,在10s时区内的车头时距大于3s的个数大于等于2的细小时区,定义为绿灯非饱和时间区,如细小时区3、细小时区5;对于绿灯饱和时间区,交叉口排队车辆连续稳定通过停止线,此时为饱和车头时距占多数的细小时区,量化处理,10s时区内的车头时距在0~3s内的个数大于等于3的细小时区,定义为绿灯饱和时间区,如细小时区4。
步骤三:对待聚类数组进行预处理,剔除异常值;
步骤四:绘制误差平方和准测与K的关系曲线,确定最佳聚类的k值:
考虑到最佳聚类k一般为2~7,选取不同k值,分别进行k-means聚类分析处理:随机选取k个数据点作为初始聚类中心,定义数据点间距离:数据均为一维,采用距离公式,为数据点的数据值即为车头时距,为初始聚类中心的数据值即为初始聚类中心的车头时距;计算数据点与聚类中心的距离,将数据分配到最近的聚类中心,计算每个聚类中所有点的坐标平均值,公式为:
将均值作为新的聚类中心;迭代计算每个数据到新质心的距离,重复步骤6、7,不断更新聚类中心;绘制误差平方和准测与K的关系曲线,得到最佳聚类方案,误差平方和准测计算公式为:
其含义是各类样本与其所属样本均值间误差平方之总和。对于样本集的不同分类,导致不同的样本子集ci及其均值从而得到不同的Je值而最佳的聚类是使Je为最小的分类。
通过绘制误差平方和准测与K的关系曲线,获取最佳聚类,聚类个数 k;
步骤五:对最佳聚类的数据簇进行占比分析,选出在此测量时段中占优势即代表性高的车头时距数据簇,将选出的簇称为代表簇,具体可参考对图3的解释;
如图3所示:对最佳聚类的数据簇进行占比分析,选出在此测量时段中占优势即占比高的车头时距数据簇,将选出的簇称为代表簇,步骤如下:
步骤a、计算每一簇中数据个数占总个数的百分比;
步骤b、选取若干占比高的簇作为代表簇,即剔除由于车型等外部因素产生的代表性不高的干扰簇。
具体地,考虑到最佳聚类k一般为2~7,选取的代表簇应满足以下两个条件:
条件1、若选取其中某一簇作为代表,应保证其占比超过60%,若选取其中某两簇作为代表,应保证两簇各自占比超过40%,若选取其中某三簇作为代表,应保证三簇各自占比超过30%,若选取其中某四簇作为代表,应保证四簇各自占比超过23%,若选取其中某五簇作为代表,应保证五簇各自占比超过18%,以此类推,保证舍去的簇占比远低于所选的代表簇;
条件2、代表簇中数据个数占总个数的百分比接近;通过选取占比较高的代表簇,除去由于少数车型原因导致的异常饱和车头时距,以此来反映大多数车辆的饱和车头时距,从而计算大多数车辆的交叉口车道饱和流率。
S表示此测量条件下的交叉口车道饱和流率。
尽管已经示出和描述了发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,包括如下步骤,
1)、采用普及性的交叉口进口道电警过车数据作为计算样本,对电警过车数据进行统计分析,按不同时期的不同时间段取过车数据作为计算依据;
2)、获取所需测算时段交叉口每条车道的电警过车数据,对数据进行清洗,处理异常值,得出用于计算的电警过车数据;
3)、将测算时段划分为若干细小等距的时间区间,该时间区间为细小时区;
4)、将过车数据按时间戳排序,与含细小时区的测算时段结合,对细小时区内的车道车头时距进行计算,跨时区的数据舍去;并根据车道车头时距测算值和个数对每个时间区间进行归类和定义,分别是红灯等待时间区、绿灯非饱和时间区和绿灯饱和时间区;
5)、根据天气情况、流量情况将测量时段分类,获取一个月内不同天的同一类测算时段进口道的电警过车数据,进行如上操作,获取相同条件下的大样本量数据;
6)、将数据中归类为绿灯饱和时间区的车头时距样本数据取出、合并,得到待聚类数组;
7)、对聚类数组的数据进行预处理,剔除异常值;进行聚类分析,将车头时距聚类分为若干数据簇,分析不同簇中车头时距个数的占车头时距聚类总数的百分比,选取代表簇;合并代表簇,得到代表组,计算代表组中车头时距平均值,作为交叉口车道饱和车头数据值;
8)、最后计算出该测算时段的交叉口车道饱和流率。
2.根据权利要求1所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的过车数据的不同时期分为按工作日、非工作日、节假日,不同时间段分为高峰、低峰、平峰,过车时间精确到毫秒。
3.根据权利要求1所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的电警过车数据包括车道编号、车辆号牌和过车时间。
4.根据权利要求1所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的细小时区长度依实际情况进行调整,细小时区长度为5~15秒。
5.根据权利要求1所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的聚类分析采用K-Means算法。
6.根据权利要求1所述的基于细小时区划分统计的交叉口车道饱和流率计算方法,其特征在于,所述的测算时段的交叉口车道饱和流率为3600/饱和车头数据值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110820649.8A CN113643531B (zh) | 2021-07-20 | 2021-07-20 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110820649.8A CN113643531B (zh) | 2021-07-20 | 2021-07-20 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643531A CN113643531A (zh) | 2021-11-12 |
CN113643531B true CN113643531B (zh) | 2022-09-20 |
Family
ID=78417834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110820649.8A Active CN113643531B (zh) | 2021-07-20 | 2021-07-20 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643531B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777259A (zh) * | 2010-01-22 | 2010-07-14 | 同济大学 | 城市道路交叉路口平均延误获取方法 |
WO2015028906A1 (en) * | 2013-08-29 | 2015-03-05 | Thales Canada Inc | Context aware command and control system |
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN107564290A (zh) * | 2017-10-13 | 2018-01-09 | 公安部交通管理科学研究所 | 一种城市道路交叉口饱和流率计算方法 |
CN107665583A (zh) * | 2017-11-20 | 2018-02-06 | 中兴软创科技股份有限公司 | 一种不同天气条件下车道饱和流率的计算方法 |
CN109389826A (zh) * | 2018-12-14 | 2019-02-26 | 武汉理工大学 | 一种信号交叉口饱和流率的实时计算方法 |
CN109961639A (zh) * | 2019-01-29 | 2019-07-02 | 中电海康集团有限公司 | 一种过饱和状态下车道排队长度估计方法 |
CN111815973A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 信号交叉口分析方法及相关设备 |
CN113034893A (zh) * | 2021-01-29 | 2021-06-25 | 河海大学 | 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法 |
CN113129594A (zh) * | 2021-04-23 | 2021-07-16 | 武汉科技大学 | 一种基于卡口数据的交叉口饱和流率计算方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7991542B2 (en) * | 2006-03-24 | 2011-08-02 | Wavetronix Llc | Monitoring signalized traffic flow |
CN100573617C (zh) * | 2008-08-12 | 2009-12-23 | 北京工业大学 | 信号交叉口自行车对转弯车辆饱和流率影响修正方法 |
CN201974943U (zh) * | 2011-01-21 | 2011-09-14 | 北京万集科技有限责任公司 | 一种交通流量调查系统 |
CN102509456B (zh) * | 2011-11-21 | 2013-10-02 | 青岛海信网络科技股份有限公司 | 饱和流量确定方法和装置 |
US9420958B2 (en) * | 2013-03-15 | 2016-08-23 | Honda Motor Co., Ltd. | System and method for determining changes in a body state |
CN107909825B (zh) * | 2017-11-03 | 2020-08-25 | 航天科工广信智能技术有限公司 | 一种高斯过程回归饱和流率检测方法 |
CN109712395A (zh) * | 2019-01-21 | 2019-05-03 | 武汉理工大学 | 一种获取交通流参数的系统和方法 |
JP6856085B2 (ja) * | 2019-03-28 | 2021-04-07 | トヨタ自動車株式会社 | 車両用表示制御装置、方法及びプログラム |
CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
-
2021
- 2021-07-20 CN CN202110820649.8A patent/CN113643531B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777259A (zh) * | 2010-01-22 | 2010-07-14 | 同济大学 | 城市道路交叉路口平均延误获取方法 |
WO2015028906A1 (en) * | 2013-08-29 | 2015-03-05 | Thales Canada Inc | Context aware command and control system |
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN107564290A (zh) * | 2017-10-13 | 2018-01-09 | 公安部交通管理科学研究所 | 一种城市道路交叉口饱和流率计算方法 |
CN107665583A (zh) * | 2017-11-20 | 2018-02-06 | 中兴软创科技股份有限公司 | 一种不同天气条件下车道饱和流率的计算方法 |
CN109389826A (zh) * | 2018-12-14 | 2019-02-26 | 武汉理工大学 | 一种信号交叉口饱和流率的实时计算方法 |
CN109961639A (zh) * | 2019-01-29 | 2019-07-02 | 中电海康集团有限公司 | 一种过饱和状态下车道排队长度估计方法 |
CN111815973A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 信号交叉口分析方法及相关设备 |
CN113034893A (zh) * | 2021-01-29 | 2021-06-25 | 河海大学 | 一种结合宏观交通流和微观交通流信息的城市主干路阻断交通流状态划分方法 |
CN113129594A (zh) * | 2021-04-23 | 2021-07-16 | 武汉科技大学 | 一种基于卡口数据的交叉口饱和流率计算方法 |
Non-Patent Citations (1)
Title |
---|
基于自动车牌识别数据的混合交通流饱和流率实时估计;王殿海等;《交通运输系统工程与信息》;20210430;第21卷(第2期);第37-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113643531A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570658B (zh) | 基于层次聚类的路口异常车辆轨迹识别分析方法 | |
CN106355907B (zh) | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 | |
CN108053645B (zh) | 一种基于轨迹数据的信号交叉口周期流量估计方法 | |
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN109272756B (zh) | 一种信控交叉口排队长度估计方法 | |
CN111260922B (zh) | 一种基于拥堵态势分级的匝道控制方法 | |
CN110379169B (zh) | 基于视频号牌设备的待转区车道饱和车头时距计算方法 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN110111592B (zh) | 基于交通信号控制机动态匹配最优信号配时方案的方法 | |
CN109191872B (zh) | 一种基于号牌数据的路口交通流特征参数提取方法 | |
CN113516854B (zh) | 一种基于卡警、视频检测器的多路口协调自适应控制方法 | |
CN109754598B (zh) | 一种拥堵组团识别方法及系统 | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
CN111640304B (zh) | 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 | |
CN113380036B (zh) | 一种基于电子警察数据的排队长度计算方法 | |
CN113129594A (zh) | 一种基于卡口数据的交叉口饱和流率计算方法 | |
CN106033643B (zh) | 一种数据处理方法及装置 | |
CN113643531B (zh) | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 | |
CN109147320B (zh) | 一种基于卡口数据的路段交通状态判别方法 | |
CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
CN117173899A (zh) | 一种智慧城市数据处理方法 | |
CN108765941B (zh) | 一种信号交叉口车辆到达率估计方法 | |
CN112927497B (zh) | 一种浮动车识别方法、相关方法和装置 | |
CN114566051A (zh) | 基于logistic模型的高速公路转换区严重冲突识别方法 | |
CN115273488A (zh) | 一种基于行程时间的路段车辆停放判断方法 |
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 |