CN113704956A - 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 - Google Patents
一种基于数字孪生技术的城市道路在线微观仿真方法及系统 Download PDFInfo
- Publication number
- CN113704956A CN113704956A CN202110661390.7A CN202110661390A CN113704956A CN 113704956 A CN113704956 A CN 113704956A CN 202110661390 A CN202110661390 A CN 202110661390A CN 113704956 A CN113704956 A CN 113704956A
- Authority
- CN
- China
- Prior art keywords
- traffic
- simulation
- road
- digital twin
- urban
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005516 engineering process Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生技术的城市道路在线微观仿真方法及系统，包括以下步骤：对不确定因素的短时交通参数进行预测，利用数字孪生技术及其智能分段算法实现多个关联交通信号下的逐段分解；基于相关性分析交通拥堵判别与预警；通过数字孪生技术对城市道路在线缓堵诱导的动态交通进行分配建模，基于拥堵关联区域判别方法建立的多个网络分区；对计及参数预测不确定性的城市道路交通诱导策略进行优化。本发明能够利用数字孪生技术，为交通部门管理日益复杂的城市交通网络提供缓堵策略的决策支持，有利于缩小复杂网路交通控制研究的问题规模，降低了平台的二次开发难度，解决了交通应用场景多样化产生的矛盾。
Description
技术领域
本发明涉及交通仿真技术领域，尤其涉及一种基于数字孪生技术的城市道路在线微观仿真方法及系统。
背景技术
交通仿真指用仿真技术来研究交通行为，是一门对交通运动随时间和空间的变化进行跟踪描述的技术，交通仿真是智能交通运输系统的一个重要组成部分，是计算机技术在交通工程领域的一个重要应用。
随着城市的进一步发展,城市交通拥堵已成为世界各国尤其是发达国家面临的日益严重的问题，交通微观仿真技术为解决城市交通问题提供了有效的途径，通过交通仿真,可以在不改变现有交通基础设施的情况下,对各种交通规划方案进行合理的评估,并根据评估结果制定相应的措施,从而达到改善交通状况、节省成本的目的，但是交通系统是非线性系统,一个细微的参数波动都可能带来“蝴蝶效应”, 具有强不确定性，因此许多现象无法用确定性分析方法来研究,而应该引入不确定分析方法，这种分析方法又是一个动态开放系统,与模型无法完全覆盖的外部世界联系紧密,存在系统局部之间、内部与外部之间的关联互动,离线、固化、基于特定模式的方法不能适应交通运行的快速变化,需要选用更具鲁棒性的在线分析算法，根据工况变化不断刷新模型及参数,传统仿真框架的封闭性并不适合对在线分析算法的研究。
所以，需要提出一种基于数字孪生技术的城市道路在线微观仿真方法及系统来解决上述问题。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于数字孪生技术的城市道路在线微观仿真方法及系统。
本发明提出的一种基于数字孪生技术的城市道路在线微观仿真方法及系统，包括以下步骤：
S1，对不确定因素的短时交通参数进行预测，利用数字孪生技术及其智能分段算法实现多个关联交通信号下的逐段分解，同时利用小波分解方法从交通参数中提取趋势和细节分量信息，进行趋势线收敛性判别，并通过ARMA方法构建可能预测趋势集；
S2，基于相关性分析交通拥堵判别与预警，构建拥堵判别指标和可应用于概率预测结果的拥堵概率判别指标，并利用趋势和细节相关度的不同组合状态对道路拥堵情况进行分析，将目标网路分割为多个交通状态相对独立的区域；
S3，通过数字孪生技术对城市道路在线缓堵诱导的动态交通进行分配建模，基于拥堵关联区域判别方法建立的多个网络分区，建立用于动态交通分配模型参数估计的迭代搜索算法，通过动态O-D参数的摄动逐步降低各区主要道路的仿真与实测结构误差；
S4，对计及参数预测不确定性的城市道路交通诱导策略进行优化，建立系统最优的诱导优化目标和开环交通仿真模型，基于目标函数变化量关于诱导策略摄动量的灵敏度构建缓堵诱导措施的智能优化算法，接着在道路速度预测值区间内摄动未来路况的诱导值，并推导出道路速度的变化量；
S5，对城市交通拥堵情况进行动态仿真，构建满足动态性、交互性、开放性和可扩展性的交通拥堵动态仿真平台，在支撑层中进行调度、显示、消息等基础共性功能，并通过继承、服务等OOT、SOA工具实现相互支撑和功能重用，解决交通应用场景多样化产生的矛盾。
优选地，所述数字孪生技术在微观仿真中所实现的功能主要为以下几点：
a、数据过程仿真:在数据仿真之前,就可以通过虚拟仿真的方式来模拟在不同数据、不同参数、不同外部条件下的仿真过程,实现对产能、效率以及可能出现的仿真瓶颈等问题的提前预判,加速数据仿真的过程；
b、数字化产线:将仿真阶段的各种要素集成在一个紧密协作的仿真过程中,并根据既定的规则,自动的完成在不同条件组合下的操作, 实现自动化的仿真过程，同时记录仿真过程中的各类数据，为后续的分析和优化提供依据；
c、关键指标监控和过程能力评估:通过采集仿真过程中的各种仿真设备的实时运行数据,实现全部仿真过程的可视化监控,并且通过经验或者机器学习建立关键设备参数、检验指标的监控策略,对出现违背策略的异常情况进行及时处理和调整,实现稳定并不断优化的仿真过程。
优选地，所述交通参数分解方法为塔式多分辨率分解与重构算法，通过用小波多尺度逼近的方式将离散信号分解为逼近分量和小波分量，对逼近分量进行迭代分解，直到满足要求的尺度水平或者不能再分解为止，在分解的基础上对底层细节分量进行修改，然后进行重构。
优选地，所述路段拥堵的判别方法包括基于轨迹的拥堵判别指标、拥堵概率指标及判别和数据分析三个步骤，拥堵时间占比指标如下：Ot(V)＝Tt(V)/T,针对速度轨迹V，Tt(V)表示V低于给定速度观测值水平的时间，T表示设定的观测窗口宽度，若在观察窗口出现多个低于速度的波谷，则Tt(V)等于其累计时长，Ot(V)在(0,1)间内变化，其值越接近1，道路拥堵时间越长。
优选地，所述优化求解所采用的灵敏度搜索算法步骤如下：
a、输入初始分段长度，基于固定长度分段法确定初始分段方案，输入权系数，搜索约束条件最小分段长度、搜索步长，置迭代步为0；
b、在搜索迭代步，首先将各分段位置记为向量Sk,并计算当前各分段方案的目标函数；
c、对向量中每个元素安搜索步长确定搜索试探量，并计算每次试探的目标函数值，以目标函数值的最小试探量作为目标函数最速下降方向，将该方向的划分向量记为Sk+1,目标函数记为O`k+1；
d、迭代终止条件为：O`k+1>O`k或者达到最大迭代次数，输出最终划分向量。
优选地，所述交通仿真分为如下主要步骤：
a、在对OD对循环中，对每个OD对车辆队列，输入出行时间、OD交通量、途经路段的速度曲线和路线规划结果等关键参数；
b、在时间循环中，模拟OD对车辆队列在路网中的移动行为；
c、完成时间循环后，记录OD对车辆队列路径上的动态位置序列，动态位置用时间和位置组成的二元组表示；
d、路网在路段中调出第三步的动态位置信息，并将其聚合并从中提取路段的交通状态信息，包括流量、密度、速度等等。
本发明构建了满足动态性、交互性、开放性和可扩展性要求的交通拥堵动态仿真平台，并实现了一部分关键应用，仿真平台设计方案的确定和实现技术的选择建立在需求分析的基础上，同时利用数字孪生技术，为交通部门管理日益复杂的城市交通网络提供缓堵策略的决策支持，有利于缩小复杂网路交通控制研究的问题规模，降低了平台的二次开发难度，解决了交通应用场景多样化产生的矛盾。
附图说明
图1为本发明提出的一种基于数字孪生技术的城市道路在线微观仿真方法及系统实施方法步骤图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
本发明提出的一种基于数字孪生技术的城市道路在线微观仿真方法及系统，包括以下步骤：
S1，对不确定因素的短时交通参数进行预测，利用数字孪生技术及其智能分段算法实现多个关联交通信号下的逐段分解，同时利用小波分解方法从交通参数中提取趋势和细节分量信息，进行趋势线收敛性判别，并通过ARMA方法构建可能预测趋势集；
S2，基于相关性分析交通拥堵判别与预警，构建拥堵判别指标和可应用于概率预测结果的拥堵概率判别指标，并利用趋势和细节相关度的不同组合状态对道路拥堵情况进行分析，将目标网路分割为多个交通状态相对独立的区域。
S3，通过数字孪生技术对城市道路在线缓堵诱导的动态交通进行分配建模，基于拥堵关联区域判别方法建立的多个网络分区，建立用于动态交通分配模型参数估计的迭代搜索算法，通过动态O-D参数的摄动逐步降低各区主要道路的仿真与实测结构误差；
S4，对计及参数预测不确定性的城市道路交通诱导策略进行优化，建立系统最优的诱导优化目标和开环交通仿真模型，基于目标函数变化量关于诱导策略摄动量的灵敏度构建缓堵诱导措施的智能优化算法，接着在道路速度预测值区间内摄动未来路况的诱导值，并推导出道路速度的变化量；
S5，对城市交通拥堵情况进行动态仿真，构建满足动态性、交互性、开放性和可扩展性的交通拥堵动态仿真平台，在支撑层中进行调度、显示、消息等基础共性功能，并通过继承、服务等OOT、SOA工具实现相互支撑和功能重用，解决交通应用场景多样化产生的矛盾。
本发明中，所述数字孪生技术在微观仿真中所实现的功能主要为以下几点：
a、数据过程仿真:在数据仿真之前,就可以通过虚拟仿真的方式来模拟在不同数据、不同参数、不同外部条件下的仿真过程,实现对产能、效率以及可能出现的仿真瓶颈等问题的提前预判,加速数据仿真的过程；
b、数字化产线:将仿真阶段的各种要素集成在一个紧密协作的仿真过程中,并根据既定的规则,自动的完成在不同条件组合下的操作, 实现自动化的仿真过程，同时记录仿真过程中的各类数据，为后续的分析和优化提供依据；
c、关键指标监控和过程能力评估:通过采集仿真过程中的各种仿真设备的实时运行数据,实现全部仿真过程的可视化监控,并且通过经验或者机器学习建立关键设备参数、检验指标的监控策略,对出现违背策略的异常情况进行及时处理和调整,实现稳定并不断优化的仿真过程。
本发明中，交通参数分解方法为塔式多分辨率分解与重构算法，通过用小波多尺度逼近的方式将离散信号分解为逼近分量和小波分量，对逼近分量进行迭代分解，直到满足要求的尺度水平或者不能再分解为止，在分解的基础上对底层细节分量进行修改，然后进行重构。
本发明中，路段拥堵的判别方法包括基于轨迹的拥堵判别指标、拥堵概率指标及判别和数据分析三个步骤，拥堵时间占比指标如下： Ot(V)＝Tt(V)/T,针对速度轨迹V，Tt(V)表示V低于给定速度观测值水平的时间，T表示设定的观测窗口宽度，若在观察窗口出现多个低于速度的波谷，则Tt(V)等于其累计时长，Ot(V)在(0,1)间内变化，其值越接近1，道路拥堵时间越长。
本发明中，优化求解所采用的灵敏度搜索算法步骤如下：
a、输入初始分段长度，基于固定长度分段法确定初始分段方案，输入权系数，搜索约束条件最小分段长度、搜索步长，置迭代步为0；
b、在搜索迭代步，首先将各分段位置记为向量Sk,并计算当前各分段方案的目标函数；
c、对向量中每个元素安搜索步长确定搜索试探量，并计算每次试探的目标函数值，以目标函数值的最小试探量作为目标函数最速下降方向，将该方向的划分向量记为Sk+1,目标函数记为O`k+1；
d、迭代终止条件为：O`k+1>O`k或者达到最大迭代次数，输出最终划分向量。
本发明中，交通仿真分为如下主要步骤：
a、在对OD对循环中，对每个OD对车辆队列，输入出行时间、 OD交通量、途经路段的速度曲线和路线规划结果等关键参数；
b、在时间循环中，模拟OD对车辆队列在路网中的移动行为；
c、完成时间循环后，记录OD对车辆队列路径上的动态位置序列，动态位置用时间和位置组成的二元组表示；
d、路网在路段中调出第三步的动态位置信息，并将其聚合并从中提取路段的交通状态信息，包括流量、密度、速度等等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于数字孪生技术的城市道路在线微观仿真方法及系统，其特征在于，包括以下步骤：
S1，对不确定因素的短时交通参数进行预测，利用数字孪生技术及其智能分段算法实现多个关联交通信号下的逐段分解，同时利用小波分解方法从交通参数中提取趋势和细节分量信息，进行趋势线收敛性判别，并通过ARMA方法构建可能预测趋势集；
S2，基于相关性分析交通拥堵判别与预警，构建拥堵判别指标和可应用于概率预测结果的拥堵概率判别指标，并利用趋势和细节相关度的不同组合状态对道路拥堵情况进行分析，将目标网路分割为多个交通状态相对独立的区域。
S3，通过数字孪生技术对城市道路在线缓堵诱导的动态交通进行分配建模，基于拥堵关联区域判别方法建立的多个网络分区，建立用于动态交通分配模型参数估计的迭代搜索算法，通过动态O-D参数的摄动逐步降低各区主要道路的仿真与实测结构误差；
S4，对计及参数预测不确定性的城市道路交通诱导策略进行优化，建立系统最优的诱导优化目标和开环交通仿真模型，基于目标函数变化量关于诱导策略摄动量的灵敏度构建缓堵诱导措施的智能优化算法，接着在道路速度预测值区间内摄动未来路况的诱导值，并推导出道路速度的变化量；
S5，对城市交通拥堵情况进行动态仿真，构建满足动态性、交互性、开放性和可扩展性的交通拥堵动态仿真平台，在支撑层中进行调度、显示、消息等基础共性功能，并通过继承、服务等OOT、SOA工具实现相互支撑和功能重用，解决交通应用场景多样化产生的矛盾。
2.根据权利要求1所述的一种基于数字孪生技术的城市道路在线微观仿真方法及系统，其特征在于，所述数字孪生技术在微观仿真中所实现的功能主要为以下几点：
a、数据过程仿真:在数据仿真之前,就可以通过虚拟仿真的方式来模拟在不同数据、不同参数、不同外部条件下的仿真过程,实现对产能、效率以及可能出现的仿真瓶颈等问题的提前预判,加速数据仿真的过程；
b、数字化产线:将仿真阶段的各种要素集成在一个紧密协作的仿真过程中,并根据既定的规则,自动的完成在不同条件组合下的操作,实现自动化的仿真过程，同时记录仿真过程中的各类数据，为后续的分析和优化提供依据；
c、关键指标监控和过程能力评估:通过采集仿真过程中的各种仿真设备的实时运行数据,实现全部仿真过程的可视化监控,并且通过经验或者机器学习建立关键设备参数、检验指标的监控策略,对出现违背策略的异常情况进行及时处理和调整,实现稳定并不断优化的仿真过程。
3.根据权利要求1所述的一种基于数字孪生技术的城市道路在线微观仿真方法及系统，其特征在于，所述交通参数分解方法为塔式多分辨率分解与重构算法，通过用小波多尺度逼近的方式将离散信号分解为逼近分量和小波分量，对逼近分量进行迭代分解，直到满足要求的尺度水平或者不能再分解为止，在分解的基础上对底层细节分量进行修改，然后进行重构。
4.根据权利要求1所述的一种基于数字孪生技术的城市道路在线微观仿真方法及系统，其特征在于，所述路段拥堵的判别方法包括基于轨迹的拥堵判别指标、拥堵概率指标及判别和数据分析三个步骤，拥堵时间占比指标如下：Ot(V)＝Tt(V)/T,针对速度轨迹V，Tt(V)表示V低于给定速度观测值水平的时间，T表示设定的观测窗口宽度，若在观察窗口出现多个低于速度的波谷，则Tt(V)等于其累计时长，Ot(V)在(0,1)间内变化，其值越接近1，道路拥堵时间越长。
5.根据权利要求1所述的一种基于数字孪生技术的城市道路在线微观仿真方法及系统，其特征在于，所述优化求解所采用的灵敏度搜索算法步骤如下：
a、输入初始分段长度，基于固定长度分段法确定初始分段方案，输入权系数，搜索约束条件最小分段长度、搜索步长，置迭代步为0；
b、在搜索迭代步，首先将各分段位置记为向量Sk,并计算当前各分段方案的目标函数；
c、对向量中每个元素安搜索步长确定搜索试探量，并计算每次试探的目标函数值，以目标函数值的最小试探量作为目标函数最速下降方向，将该方向的划分向量记为Sk+1,目标函数记为O`k+1；
d、迭代终止条件为：O`k+1>O`k或者达到最大迭代次数，输出最终划分向量。
6.根据权利要求1所述的一种基于数字孪生技术的城市道路在线微观仿真方法及系统，其特征在于，所述交通仿真分为如下主要步骤：
a、在对OD对循环中，对每个OD对车辆队列，输入出行时间、OD交通量、途经路段的速度曲线和路线规划结果等关键参数；
b、在时间循环中，模拟OD对车辆队列在路网中的移动行为；
c、完成时间循环后，记录OD对车辆队列路径上的动态位置序列，动态位置用时间和位置组成的二元组表示；
d、路网在路段中调出第三步的动态位置信息，并将其聚合并从中提取路段的交通状态信息，包括流量、密度、速度等等。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661390.7A CN113704956A (zh) | 2021-06-15 | 2021-06-15 | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661390.7A CN113704956A (zh) | 2021-06-15 | 2021-06-15 | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113704956A true CN113704956A (zh) | 2021-11-26 |
Family
ID=78648132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110661390.7A Pending CN113704956A (zh) | 2021-06-15 | 2021-06-15 | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113704956A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
| CN114863699A (zh) * | 2022-06-14 | 2022-08-05 | 电子科技大学 | 一种基于数字孪生的城市车路协同交通流预测方法 |
| CN114997541A (zh) * | 2022-08-03 | 2022-09-02 | 浙江远算科技有限公司 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
| CN115469542A (zh) * | 2022-08-29 | 2022-12-13 | 清云智通(北京)科技有限公司 | 一种应用于数字孪生的塔求解方法及系统 |
| CN115577488A (zh) * | 2022-08-17 | 2023-01-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种关口电能计量装置性能诊断系统 |
| CN116258284A (zh) * | 2023-05-15 | 2023-06-13 | 北京华录高诚科技有限公司 | 一种交通及施工组织方案优化决策方法及系统 |
| CN116363891A (zh) * | 2023-05-31 | 2023-06-30 | 江西科技学院 | 基于车联网的智慧城市网外运算方法及系统 |
| CN116797055A (zh) * | 2023-08-28 | 2023-09-22 | 日照朝力信息科技有限公司 | 一种基于物联网的城市道路规划方法及系统 |
| WO2023207437A1 (zh) * | 2022-04-28 | 2023-11-02 | 长安大学 | 一种基于动态轨迹流的场景流数字孪生方法及系统 |
| CN117057656A (zh) * | 2023-08-17 | 2023-11-14 | 广东飞翔云计算有限公司 | 基于数字孪生的智慧城市管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
| KR102217870B1 (ko) * | 2020-10-28 | 2021-02-19 | 주식회사 예향엔지니어링 | 디지털 트윈 기술을 이용한 교통관리 시스템 |
| CN112801338A (zh) * | 2020-12-07 | 2021-05-14 | 通控研究院(安徽)有限公司 | 一种城市轨道交通线网运营突发情况下的辅助决策方法及系统 |
-
2021
- 2021-06-15 CN CN202110661390.7A patent/CN113704956A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
| KR102217870B1 (ko) * | 2020-10-28 | 2021-02-19 | 주식회사 예향엔지니어링 | 디지털 트윈 기술을 이용한 교통관리 시스템 |
| CN112801338A (zh) * | 2020-12-07 | 2021-05-14 | 通控研究院(安徽)有限公司 | 一种城市轨道交通线网运营突发情况下的辅助决策方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张婧: "城市道路交通拥堵判别、疏导与仿真", 中国博士学位论文全文数据库, no. 2, pages 11 - 113 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
| CN114783183B (zh) * | 2022-04-15 | 2024-05-24 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
| WO2023207437A1 (zh) * | 2022-04-28 | 2023-11-02 | 长安大学 | 一种基于动态轨迹流的场景流数字孪生方法及系统 |
| CN114863699A (zh) * | 2022-06-14 | 2022-08-05 | 电子科技大学 | 一种基于数字孪生的城市车路协同交通流预测方法 |
| CN114997541A (zh) * | 2022-08-03 | 2022-09-02 | 浙江远算科技有限公司 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
| CN114997541B (zh) * | 2022-08-03 | 2022-11-08 | 浙江远算科技有限公司 | 一种基于数字孪生技术的城市内涝预测方法及预警平台 |
| CN115577488A (zh) * | 2022-08-17 | 2023-01-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种关口电能计量装置性能诊断系统 |
| CN115469542A (zh) * | 2022-08-29 | 2022-12-13 | 清云智通(北京)科技有限公司 | 一种应用于数字孪生的塔求解方法及系统 |
| CN115469542B (zh) * | 2022-08-29 | 2023-03-21 | 清云智通(北京)科技有限公司 | 一种应用于数字孪生的塔求解方法及系统 |
| CN116258284A (zh) * | 2023-05-15 | 2023-06-13 | 北京华录高诚科技有限公司 | 一种交通及施工组织方案优化决策方法及系统 |
| CN116363891A (zh) * | 2023-05-31 | 2023-06-30 | 江西科技学院 | 基于车联网的智慧城市网外运算方法及系统 |
| CN116363891B (zh) * | 2023-05-31 | 2023-08-04 | 江西科技学院 | 基于车联网的智慧城市网外运算方法及系统 |
| CN117057656A (zh) * | 2023-08-17 | 2023-11-14 | 广东飞翔云计算有限公司 | 基于数字孪生的智慧城市管理方法及系统 |
| CN117057656B (zh) * | 2023-08-17 | 2024-05-31 | 广东飞翔云计算有限公司 | 基于数字孪生的智慧城市管理方法及系统 |
| CN116797055A (zh) * | 2023-08-28 | 2023-09-22 | 日照朝力信息科技有限公司 | 一种基于物联网的城市道路规划方法及系统 |
| CN116797055B (zh) * | 2023-08-28 | 2023-11-07 | 日照朝力信息科技有限公司 | 一种基于物联网的城市道路规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
| CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
| EP3035314A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| CN110458336B (zh) | 一种基于深度学习的网约车供需预测方法 | |
| CN113486726A (zh) | 一种基于改进卷积神经网络的轨道交通障碍物检测方法 | |
| CN109358582A (zh) | 基于大数据的大采高综采工作面多设备协同作业控制方法 | |
| CN114495507B (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
| CN110555476A (zh) | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 | |
| Keyarsalan et al. | Designing an intelligent ontological system for traffic light control in isolated intersections | |
| CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
| CN117671992A (zh) | 一种公交车智能调度方法及系统 | |
| Lu et al. | Graph sequence neural network with an attention mechanism for traffic speed prediction | |
| Patil | Machine Learning for Traffic Management in Large-Scale Urban Networks: A Review | |
| Del Ser et al. | Introduction to the special issue on online learning for big-data driven transportation and mobility | |
| Xing et al. | RL-GCN: Traffic flow prediction based on graph convolution and reinforcement learning for smart cities | |
| CN112927507A (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
| CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
| CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| CN110008571A (zh) | 一种城市轨道交通工程投资计算方法及系统 | |
| Liu et al. | Highway traffic congestion detection and evaluation based on deep learning techniques | |
| Sathyan | Traffic Flow Prediction using Machine Learning Techniques-A Systematic Literature Review | |
| Mazurenko et al. | Development of intelligent traffic control system project | |
| Li et al. | Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network | |
| Jiang | Short‐Term Traffic Prediction of the Urban Road Network based on the Intelligent Transportation System | |
| AU2021100003A4 (en) | A deep transportation model to predict the human mobility for autonomous vehicle |
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 |