CN113688561B - 一种基于神经网络的高速公路施工区最优预警距离确定方法 - Google Patents
一种基于神经网络的高速公路施工区最优预警距离确定方法 Download PDFInfo
- Publication number
- CN113688561B CN113688561B CN202110809745.2A CN202110809745A CN113688561B CN 113688561 B CN113688561 B CN 113688561B CN 202110809745 A CN202110809745 A CN 202110809745A CN 113688561 B CN113688561 B CN 113688561B
- Authority
- CN
- China
- Prior art keywords
- early warning
- construction area
- index
- traffic
- time
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 abstract description 3
- 238000013531 bayesian neural network Methods 0.000 abstract 1
- 230000009467 reduction Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于神经网络的高速公路施工区最优预警距离确定方法,对混合交通流下高速公路施工区交通参数进行预处理;设置车辆模型并输入交通流参数;建立效率、安全、能耗综合评价模型;基于神经网络进行迭代训练得到模型权重;对不同输入交通流进行评价指标预测;确定最佳预警距离。本专利构建了预警模型,利用贝叶斯神经网络进行预测,考虑不同流量、装配率和预警距离条件下车辆在高速公路施工区,研究车辆最佳预警距离。本专利对高速公路施工条件下安全驾驶和道路预警提供一定参考,并提供施工条件下车辆预警最佳距离预测方法。
Description
技术领域
本发明涉及智能交通系统技术领域,特别是涉及一种基于神经网络的高速公路施工区最优预警距离确定方法。
背景技术
高速公路施工区往往引起道路通行能力的急剧下降而成为高速公路瓶颈路段,如何缓解施工区的交通运行效率急剧下降问题一直是高速公路管理部门的难题。
根据相关标准设置高速公路施工区预警距离,主要方式通过可变情报板,交通流均为传统车,高速公路运行过程中,道路施工影响导致的通行能力下降,是最为常见的两种交通拥堵诱因,传统的安全预警与引导方式,都不可避免的引发部分路段的通行能力急剧下降,使得交通运行受到较严重的不良影响,更甚者,甚至有可能因视线不佳及行车速度差过大,而造成交通事故的发生。随着通信、感知、单车智能、网络安全保障、地图与精确定位、协同控制、系统决策等相关技术的快速发展,智能交通系统的发展已经从需要高级智能的“智慧车”向“智慧路”演进,车路协同技术在我国的发展亦从相关技术的研究、标准与协议制定,逐步走向项目示范,而这也为解决由路施工或不良气象影响导致的通行能力下降问题提供了新的解决思路
因此,亟需设计一种新的基于神经网络的高速公路施工区最优预警距离确定方法,针对高速公路典型施工作业区开展相关研究,构建高速公路施工区综合模型,分析预警信息发布后对交通流的安全、效率与能耗的影响,进而制定最为有效的预警策略,并给出高速公路施工区各混合交通条件下最佳预警距离。
发明内容
本发明要解决的技术问题是为了克服现有技术缺乏,能够兼顾精度和效率,同时能够针对区域慢行交通可达性进行评估或研究的系统性方法的缺陷,提出一种基于神经网络的高速公路施工区最优预警距离确定方法。
本发明是通过采用下述技术方案来解决上述技术问题的:
本发明提供了一种基于神经网络的高速公路施工区最优预警距离确定方法,其中研究的区域存在多个集中区比如城市快速路和高速公路,其特点在于,所述评估方法包括:
步骤一、对混合交通流下高速公路施工区交通参数进行预处理;
步骤二、设置车辆模型并输入交通流参数;
步骤三、建立效率、安全、能耗综合评价模型;
步骤四、基于神经网络进行迭代训练得到模型权重;
步骤五、对不同输入交通流进行评价指标预测;
步骤六、确定最佳预警距离。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
本研究拟采用微观交通仿真手段研究不同的交通组成情况下,车路协同主动安全预警方案对施工区及其上下游影响区域内交通运行时空特征的影响。通过对不同交通组成条件下施工区交通运行特性的分析,设计最佳安全预警与主动诱导策略方案,并计算提供最佳的信息发布位置,为车路协同环境下施工区的信息预警提供理论支撑。
附图说明
图1为根据本发明优选实施例的一种基于神经网络的高速公路施工区最优预警距离确定方法的流程示意图。
具体实施方式
下面结合说明书附图,进一步对本发明的优选实施例进行详细描述,以下的描述为示例性的,并非对本发明的限制,任何的其他类似情形也都将落入本发明的保护范围之中。
在以下的具体描述中,方向性的术语,例如“左”、“右”、“上”、“下”、“前”、“后”等,参考附图中描述的方向使用。本发明各实施例中的部件可被置于多种不同的方向,方向性的术语是用于示例的目的而非限制性的。
为便于理解下文对于例举的本发明的实施方式的说明和描述,现对于下文涉及的术语、变量做定义或说明如下,其中部分变量的定义仅出于便于理解下文说明中涉及的公式。并且,应当理解的是,下述定义或说明应做说明性而非限制性的理解。
一种基于神经网络的高速公路施工区最优预警距离确定方法,其特征在于,包括以下步骤:
S1、对混合交通流下高速公路施工区交通参数进行预处理;
S2、设置车辆模型并输入交通流参数;
S3、建立效率、安全、能耗综合评价模型;
S4、基于神经网络进行迭代训练得到模型权重;
S5、对不同输入交通流进行评价指标预测;
S6、在模型中对评价得分进行统计分析;
S7、确定最佳预警距离。
所述步骤S1中,施工区场景分为预警区、渐变段和施工区。场景为重载车辆与普通社会车辆混合交通流场景,在施工区的上游路段,重载车辆可较普通社会车辆提前接收到由路侧RSU终端发布的,从而在有条件的情况下提前进行降速等风险规避行为,普通社会车辆则完全由驾驶员判断降速情况,实施降速行为。采用的基础评估指标包括:排队长度、停车次数、运行速度、行程时间、能耗。
所述步骤S1中,施工区上游路段的指标要求:最大排队长度指标,从施工区布设后开始进行统计,按照5分钟时间间隔,对平均排队长度进行统计,总统计时长为120分钟。停车次数指标,最大停车次数指标,从施工区布设后开始进行统计,按照5分钟时间间隔,对平均停车次数进行统计,总统计时长为120分钟。预警区运行速度指标:计算平均运行速度,统计区间为从施工区上游预警位置起至施工区起点范围,按照5分钟时间间隔,进行平均值计算,总统计时长为120分钟。行程时间指标,计算系统平均行程时间,统计区间为从施工控制区工作区开始的上游3公里范围,统计车辆在120分钟的统计时段内平均行程时间指标。能耗指标,按照能耗计算公式计算系统平均能耗。统计区间为从施工控制区工作区开始的上游3公里范围,按照5分钟时间间隔,进行平均值计算,总统计时长为120分钟。
所述步骤S2中,车辆运行状态分析主要包括不同道路交通量下、不同的车载终端装配率下,车辆在施工路段的预警区及渐变段的运行效率(主要是车辆的平均运行速度、最大排队长度、停车次数、行程时间)。基于仿真数据,利用数理统计方法,进行不同方案的评价,以期得到在不同道路交通量及装配率下,施工区路段效率最优的方案,进而研究不同情况下,最佳预警点,保障车辆高效通行。
所述步骤S3中,为了满足管理者对于高速公路管理与服务水平的不同需求,辅助制定不同交通量、车载终端装配率情况下适当的预警信息发布策略,从效率、安全、能耗三个维度分别建立高速公路交通综合评价指标,并构建施工区预警效果预测模型,实现不同交通量、装配率、预警位置下的效率、安全、能耗三方面预警预测模型。综合效率评价指标:TTI是美国德克萨斯州交通研究所(Texas A&M Transportation Institute)自1982年开始使用的评价指标(Travel Time Index,缩写为TTI),是机动车出行实际行驶时间与自由流状态下行驶时间的比值,路段TTI计算方法下式。
TTI的取值为大于等于1的无量纲数值,没有上限。当路段实际行驶时间小于自由流行驶时间时,设定TTI=1。
延误时间指数(与自由流时间比)是指实际行驶时间减去自由流行驶时间(可认为是延误时间)与自由流行驶时间的比值,即TTI-1。
即和自由流行驶时间相比多花费的时间的比例。
延误时间指数的取值是大于等于0的无量纲数值,没有上限。当路段实际行驶时间小于自由流行驶时间时,设定延误时间指数为0。
延误时间指数(与实际时间比)是指实际行驶时间减去自由流行驶时间(可认为是延误时间)与实际行驶时间的比值,即出行所花费的总时间中延误时间占的比例,即1-1/TTI。
延误时间指数(与实际时间比)的取值范围为0-1之间的数值。道路严重拥堵里程比例是指参与评价的道路网范围内,处于严重拥堵等级的道路里程占总里程的比例。严重拥堵的判别标准按照国标GB/T 29107-2012《道路交通信息服务交通状况描述》中表1路段交通状况等级划分(五级)的标准,快速路平均速度小于等于20km/h、主干路平均速度小于等于15km/h、次支路平均速度小于等于10km/h的路段被判定为严重拥堵路段。
严重拥堵里程比例的取值范围为0-1。由于前三个指数都是以TTI为核心,代表了交通运行以相对时间为代价的平均状况,具有相关的趋势。因此在本项目的实际应用中,将选取TTI与道路拥堵里程比例来进行综合效率评价指标的构建。即:
综合效率指标=w1*TTI+w2*拥堵里程比 (5)
其中:w1、w2为相应分指标的权重。
在本研究中,TTI的具体计算方法为:
其中:T施工区上游3km为施工区上游3km平均行程时间;T施工区为施工区平均行程时间;D总为施工区上游3km与施工区长度总合;v自为五峰山高速自由流速度。
在本研究中,拥堵里程比的计算方法为:
其中:L排队为施工区上游最大排队长度;D施工区上游为施工区上游统计区段长度。本研究对TTI、拥堵里程比进行归一化后,采用熵权法对综合效率评价指标中的分指标权重w1、w2进行计算。
所述步骤S3中,综合安全评价指标应用了最大速度差指标单指标进行构建。车辆速差是构成事故风险的重要原因之一,速度差过大时,交通运行稳定性差,对于车辆驾驶存在很大的安全隐患。在五峰山施工区仿真场景背景下,最大速度差的具体计算方法为:
最大速度差=(|Δvi|)max (8)
其中,Δvi为施工区上游3km至施工区结束范围内,以10m为间隔,与下游100m位置的速度差。由于计算后的最大速度差取值范围过大,且没有固定的取值范围,仅能够进行组间的相对比较,无法说明道路安全的绝对水平。因此,为了使评价指标具有更强的可读性,能够用于评价不同场景下交通安全的水平,对最大速度差指标进行了归一化,得到的无量纲值作为综合安全评价指标的计算结果。即:
综合安全指标=最大速度差 (9)
所述步骤S3中,油耗水平与路段长度直接相关,因此油耗指标没有固定的取值范围,仅能够进行组间的相对比较,无法说明能耗的绝对水平。因此,为了使评价指标具有更强的可读性,能够用于评价不同场景下能源消耗的水平,对施工区油耗指标进行了归一化,得到的无量纲值作为综合能耗评价指标的计算结果。即:
综合能耗指标=施工区油耗 (10)
所述步骤S4中,基于神经网络进行迭代训练得到模型权重,采用双隐层复杂结构的BPNN。不断调整隐藏层的传递函数及节点个数,反复训练,找到拟合效果最优秀的BPNN结构。输入层节点数3个,对应3个影响因子;第1隐层采用传递函数tansig,节点10个;第2隐藏层采用传递函数logsig,节点数5个;输出层采用传递函数purelin,节点数1个。采用训练函数traninlm,选择学习函数learngdm。为防止模型过拟合,本模型使用了Bayesian-regularization算法,提高了模型的推广能力,以便更好地对未知交通情况下的施工区预警效果进行预测。
所述步骤S5中,应用训练好的预警效果模型,对未知的交通量、装配率、预警位置情况下的交通运行状态进行预测,其中预测交通量输入值范围为1000~9000pcu/h,以自定义流量为步长,装配率的输入值范围为0%~100%,以自定义装配率为步长,预警位置从雨雾区上游300m至2500m,以自定义预警距离为步长,所建立的预警效果预测模型可分别从效率、安全、能耗三个角度对不同预警位置的施工区预警效果进行预测。
所述步骤S6中,后续最佳预警点的决策确定阶段,管理人员可根据工程建设不同路段对于交通运行效率、安全、能耗三方面不同的需求,应用本研究模型对比选取最佳预警位置点,本研究的结果可为实际工程应用起到很好的指导与辅助决策作用。
Claims (5)
1.一种基于神经网络的高速公路施工区最优预警距离确定方法,其特征在于,包括以下步骤:
S1、对混合交通流下高速公路施工区交通参数进行预处理;
S2、设置车辆模型并输入交通流参数;
S3、建立效率、安全、能耗综合评价指标以及施工区预警效果预测模型;
S4、基于神经网络进行迭代训练得到施工区预警效果预测模型权重;
S5、对不同输入交通流进行评价指标预测;
S6、在施工区预警效果预测模型中对评价得分进行统计分析;
S7、确定预警距离;
所述步骤S1中,施工区场景分为预警区、渐变段和施工区;场景为重载车辆与普通社会车辆混合交通流场景,在施工区的上游路段,重载车辆较普通社会车辆提前接收到由路侧RSU终端发布的,从而在有条件的情况下提前进行降速风险规避行为,采用的基础评估指标包括:排队长度、停车次数、运行速度、行程时间、能耗;
所述步骤S3中,从效率、安全、能耗三个维度分别建立高速公路交通综合评价指标,并构建施工区预警效果预测模型,实现不同交通量、装配率、预警位置下的效率、安全、能耗三方面施工区预警效果预测模型;
综合效率评价指标:与自由流时间比的延误时间指数是指实际行驶时间减去自由流行驶时间与自由流行驶时间的比值,即TTI-1;即和自由流行驶时间相比多花费的时间的比例;延误时间指数的取值是大于等于0的无量纲数值,没有上限;当路段实际行驶时间小于自由流行驶时间时,设定延误时间指数为0;与实际时间比的延误时间指数是指实际行驶时间减去自由流行驶时间与实际行驶时间的比值,即出行所花费的总时间中延误时间占的比例,即1-1/TTI;延误时间指数的取值范围为0-1之间的数值;道路严重拥堵里程比例是指参与评价的道路网范围内,处于严重拥堵等级的道路里程占总里程的比例;
路段TTI计算方法下式:
TTI的取值为大于等于1的无量纲数值,没有上限;当路段实际行驶时间小于自由流行驶时间时,设定TTI=1;
所述步骤S3中,综合安全评价指标应用了最大速度差指标单指标进行构建;车辆速度差是构成事故风险的重要原因之一,对最大速度差指标进行了归一化,得到的无量纲值作为综合安全评价指标的计算结果;
所述步骤S3中,油耗水平与路段长度直接相关,对施工区油耗指标进行了归一化,得到的无量纲值作为综合能耗评价指标的计算结果;
所述步骤S4中,基于神经网络进行迭代训练得到模型权重,采用双隐层复杂结构的BPNN;不断调整隐藏层的传递函数及节点个数,反复训练,找到拟合效果最优秀的BPNN结构;输入层节点数3个,对应3个影响因子;第1隐层采用传递函数tansig,节点10个;第2隐藏层采用传递函数logsig,节点数5个;输出层采用传递函数purelin,节点数1个;采用训练函数traninlm,选择学习函数learngdm;使用Bayesian-regularization算法对未知交通情况下的施工区预警效果进行预测。
2.根据权利要求1所述的一种基于神经网络的高速公路施工区最优预警距离确定方法,其特征在于,所述步骤S1中,施工区上游路段的指标要求:最大排队长度指标,从施工区布设后开始进行统计,按照5分钟时间间隔,对平均排队长度进行统计,总统计时长为120分钟;停车次数指标,最大停车次数指标,从施工区布设后开始进行统计,按照5分钟时间间隔,对平均停车次数进行统计,总统计时长为120分钟;预警区运行速度指标:计算平均运行速度,统计区间为从施工区上游预警位置起至施工区起点范围,按照5分钟时间间隔,进行平均值计算,总统计时长为120分钟;行程时间指标,计算系统平均行程时间,统计区间为从施工控制区工作区开始的上游3公里范围,统计车辆在120分钟的统计时段内平均行程时间指标;能耗指标,按照能耗计算公式计算系统平均能耗;统计区间为从施工控制区工作区开始的上游3公里范围,按照5分钟时间间隔,进行平均值计算,总统计时长为120分钟。
3.根据权利要求1所述的一种基于神经网络的高速公路施工区最优预警距离确定方法,其特征在于,所述步骤S2中,交通流参数包括不同道路交通量下、不同的车载终端装配率下,车辆在施工路段的预警区及渐变段的运行效率;基于仿真数据,利用数理统计方法,进行不同方案的评价,得到在不同道路交通量及装配率下,施工区路段效率方案,进而确认预警点,保障车辆通行。
4.根据权利要求1所述的一种基于神经网络的高速公路施工区最优预警距离确定方法,其特征在于,应用训练好的施工区预警效果预测模型对未知的交通量、装配率、预警位置情况下的交通运行状态进行预测,其中预测交通量输入值范围为1000~9000pcu/h,以自定义流量为步长,装配率的输入值范围为0%~100%,以自定义装配率为步长,预警位置从雨雾区上游300m至2500m,以自定义预警距离为步长,所建立的施工区预警效果预测模型分别从效率、安全、能耗三个角度对不同预警位置的施工区预警效果进行预测。
5.根据权利要求3所述的一种基于神经网络的高速公路施工区最优预警距离确定方法,其特征在于,后续预警点的决策确定阶段,管理人员根据工程建设不同路段对于交通运行效率、安全、能耗三方面不同的需求,应用研究模型对比选取预警位置点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809745.2A CN113688561B (zh) | 2021-07-17 | 2021-07-17 | 一种基于神经网络的高速公路施工区最优预警距离确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809745.2A CN113688561B (zh) | 2021-07-17 | 2021-07-17 | 一种基于神经网络的高速公路施工区最优预警距离确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688561A CN113688561A (zh) | 2021-11-23 |
CN113688561B true CN113688561B (zh) | 2024-06-25 |
Family
ID=78577342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110809745.2A Active CN113688561B (zh) | 2021-07-17 | 2021-07-17 | 一种基于神经网络的高速公路施工区最优预警距离确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688561B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898556B (zh) * | 2022-05-11 | 2023-09-29 | 华南理工大学 | 一种基于多尺度计算的数字路网交通状态推算方法 |
CN116612648B (zh) * | 2023-05-15 | 2024-03-26 | 深圳市显科科技有限公司 | 基于情报板的道路阶段性动态交通疏堵提示方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110858334A (zh) * | 2018-08-13 | 2020-03-03 | 北京中科蓝图科技有限公司 | 道路安全评估方法、装置及道路安全预警系统 |
CN110491125B (zh) * | 2019-08-20 | 2022-03-04 | 江苏金晓电子信息股份有限公司 | 一种交通预警诱导信息生成方法 |
CN110853357B (zh) * | 2019-12-02 | 2022-02-11 | 华东交通大学 | 高速公路危险路段及施工区域预警控制系统和方法 |
CN111401743B (zh) * | 2020-03-16 | 2023-09-19 | 南通大学 | 一种城市道路施工期的动态交通影响评价方法 |
CN112712244A (zh) * | 2020-12-24 | 2021-04-27 | 内蒙古公路交通投资发展有限公司 | 公路施工预警方法、装置、系统、电子设备及介质 |
-
2021
- 2021-07-17 CN CN202110809745.2A patent/CN113688561B/zh active Active
Non-Patent Citations (1)
Title |
---|
大交通量下高速公路施工区交通组织仿真优化方法;潘立;霍文星;;公路交通科技(应用技术版)(02);第265-270页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688561A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization | |
Rakha et al. | Requirements for evaluating traffic signal control impacts on energy and emissions based on instantaneous speed and acceleration measurements | |
Li et al. | Traffic energy and emission reductions at signalized intersections: a study of the benefits of advanced driver information | |
Murphey et al. | Driver's style classification using jerk analysis | |
CN113688561B (zh) | 一种基于神经网络的高速公路施工区最优预警距离确定方法 | |
CN112396834B (zh) | 基于元胞自动机模型的雾天高速公路协调控制方法 | |
CN102496079B (zh) | 一种道路能耗与排放的监测方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN113345225B (zh) | 基于v2v通信的物流车辆前方道路实时路况的预测方法及系统 | |
CN114973733A (zh) | 一种信号交叉口处混合流下网联自动车轨迹优化控制方法 | |
Pirdavani et al. | Travel time evaluation of a U-turn facility: comparison with a conventional signalized intersection | |
CN113920762A (zh) | 一种基于智能网联环境下应急车辆优先通行的控制方法 | |
CN102360530A (zh) | 面向港口集疏港基本路段的速度一致性检验方法 | |
CN104091440A (zh) | 基于道路等级和车辆类型的城市交通拥堵成本估算方法 | |
CN109729164B (zh) | 智能网联汽车计算平台车端与云端运算等级分配方法 | |
Le Rhun et al. | An eco-routing algorithm for hevs under traffic conditions | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
CN112382096A (zh) | 一种基于路肩的公路交通噪声源强预测方法 | |
CN109034593B (zh) | 一种拼车优先管控策略实施效益评价方法 | |
CN115936541A (zh) | 一种安全道路推荐方法及设备 | |
Xing et al. | Comprehensive safety assessment model of road long tunnel based on VISSIM | |
CN113781770B (zh) | 一种模拟双离合式的合流区车路协同控制系统 | |
CN105608315A (zh) | 公交停靠站安全服务水平定量评价方法及系统 | |
Lu et al. | Analysis of fuel consumption in urban road congestion based on SPSS statistical software |
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 |