CN113706862A - 一种考虑路网容量约束的分布式主动均衡管控方法 - Google Patents

一种考虑路网容量约束的分布式主动均衡管控方法 Download PDF

Info

Publication number
CN113706862A
CN113706862A CN202110892236.0A CN202110892236A CN113706862A CN 113706862 A CN113706862 A CN 113706862A CN 202110892236 A CN202110892236 A CN 202110892236A CN 113706862 A CN113706862 A CN 113706862A
Authority
CN
China
Prior art keywords
data
congestion
detector
road
edge computing
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
Application number
CN202110892236.0A
Other languages
English (en)
Other versions
CN113706862B (zh
Inventor
孙拓
马万经
郝若辰
陈蓓
林启恒
陈奔玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhaobian Shanghai Technology Co ltd
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202110892236.0A priority Critical patent/CN113706862B/zh
Publication of CN113706862A publication Critical patent/CN113706862A/zh
Application granted granted Critical
Publication of CN113706862B publication Critical patent/CN113706862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑路网容量约束的分布式主动均衡管控方法，属于智能交通管控技术领域，该管控方法具体步骤如下：(1)构建不同路段流向拥堵指数数据集；(2)根据拥堵指数实时判断拥堵区域范围；(3)计算拥堵区域的宏观基本图，得到区域边界的流入控制率；(4)根据路段流向的拥堵指数及上下游关系确定拥堵区域边界及区域内截流点和疏解点；本发明能够对各时段车流量信息进行实时收集以及预测，保证交通信号控制的准确性，节省人们出行时间，适应两类数据源、不同检测器布设情况，不同数据缺失、渗透率情况，能够实现通过前向观察实现固定时间段内最优。

Description

一种考虑路网容量约束的分布式主动均衡管控方法
技术领域
本发明涉及智能交通管控技术领域，尤其涉及一种考虑路网容量约束的分布式主动均衡管控方法。
背景技术
随着通信和定位技术的发展，北斗等高精度定位技术的应用和车联网V2X技术兴起，轨迹数据相比传统浮动车数据，其市场渗透率逐年增加，在全新的混合交通流环境中将作为交通状态的重要输入对实时路网交通控制产生影响，同时传统交通流被动感应式检测器、主动式检测器以及广义网联设备可以弥补轨迹数据不能准确掌握断面交通需求的不足，但其检测器数据缺失问题对实时路网交通控制具有重要影响，在智能网联混合交通流环境下，如何控制区域路网容量，实现路网主动均衡管控，进一步优化路网交通控制方案，对于实现自适应的交通控制和指导智能网联汽车发展具有重要意义；因此，发明出一种考虑路网容量约束的分布式主动均衡管控方法变得尤为重要。
经检索，中国专利号CN111429733A公开了一种基于宏观基本图的路网交通信号控制方法，该发明虽然可以实现车辆在路网中合理分布，提高城市交通路网的整体通行效率，但是无法对各时间段的车流量信息进行收集，当车流量过大，容易出现控制误差，影响人们的出行，浪费人们时间；此外，现有的一种考虑路网容量约束的分布式主动均衡管控方法无法适应两类数据源、不同检测器布设情况，不同数据缺失、渗透率情况，不能通过前向观察实现固定时间段内最优；为此，我们提出一种考虑路网容量约束的分布式主动均衡管控方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种考虑路网容量约束的分布式主动均衡管控方法。
为了实现上述目的，本发明采用了如下技术方案：
一种考虑路网容量约束的分布式主动均衡管控方法，该管控方法具体步骤如下：
(1)构建不同路段流向拥堵指数数据集：基于移动互联数据，如网联车数据、车载定位数据等，根据移动互联数据在相位绿灯时间内车辆的位置和速度信息，针对不同路段流向在天气(雪、大雨、小雨、阴天、晴天)、事件(事故、大型活动)、时段区间(高峰、平峰、夜晚)3类分组标签下的速度信息，为每一个分组标签组合下的速度信息按照百分位数进行统计，作为路段流向在该分组标签下的拥堵指数，从而构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集，将每个路段流向的拥堵指数分为5个等级(严重拥堵[0％,20％]、一般拥堵[20％,40％]、稳态[40％,60％]、一般通畅[60％,80％]、非常通畅[80％,100％])；
(2)判断实时拥堵区域：对于每个实时的时间间隔，根据该时间间隔内移动互联数据更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向，当某个区域内各个路段流向的平均拥堵指数小于40％时，该区域被实时确定为拥堵区域范围；
(3)计算拥堵区域的宏观基本图，得到区域边界的流入控制率：计算拥堵区域的宏观基本图，并根据宏观基本图得到区域边界的流入控制率，根据流入控制率，对边界控制点的相位约束(最小绿灯时间)和马尔可夫选择集(步长)进行调整；
(4)根据路段流向的拥堵指数及上下游关系确定拥堵区域边界及区域内截流点和疏解点：根据每个路段的不同流向的拥堵指数及上下游关系，当拥堵区域边界及区域内，某个连续路径各个路段流向的平均拥堵指数小于40％时，确定拥堵截流点和疏解点，对截流点和疏解点的相位约束(最小绿灯时间)和马尔可夫选择集(步长)进行调整；
(5)工作人员调试并布置被动感应式检测器、主动式检测器以及广义网联设备：工作人员在道路固定位置处布置被动感应式检测器、主动式检测器以及广义网联设备，并将其与边缘边缘计算设备通信连接，同时对其进行设备调试，确认被动感应式检测器、主动式检测器以及广义网联设备是否可以正常运行，并建立路网静态地图，其中，被动感应式检测器具体为感应线圈检测器、地磁检测器或电子标签检测器等，主动式检测器具体为激光雷达检测器、毫米波雷达检测器或视频卡口检测器等，广义网联设备包括：GPS定位单元以及路侧通信单元；
(6)收集相关道路信息以及对相关道路缺失数据进行填补：被动感应式检测器、主动式检测器以及广义网联设备对相关道路信息进行数据采集，同时将其发送至边缘计算设备，边缘计算设备依据采集到的道路信息对道路缺失数据进行数据填补；
(7)实时收集各时段车流量信息并进行交通流量预测：被动感应式检测器、主动式检测器以及广义网联设备对各时段车流量信息进行实时监测，记录各时段车流量信息，并将其发送至边缘计算设备，边缘计算设备依据收集到的车流量信息对相关道路的交通流量进行数据预测；
(8)判断排队溢出，确定溢出转向的相位最大绿灯时长：根据多源数据，得出不同转向检测器所得转向排队长度、饱和度、智能网联车队尾样本特征、移动互联数据估计所得排队长度等关键指标，判断是否存在排队溢出现象，若任意指标超过路段长度范围，则该转向存在排队溢出，该转向相位取最大绿灯时长；
(9)构建路网模型并设计信号控制优化策略：依据不同的区域路网容量约束的主动均衡约束，构建路网模型并设计信号控制优化策略：收集各车辆轨迹数据并对相关区域的路网进行数据模拟，并构建相应路网模型，同时通过OSM提取城市交通真实路网地图，并对构建的路网模型进行模型优化，并开始设计信号控制优化策略；
(10)构建马尔可夫决策过程，开始依据路网模型进行深度强化学习方案训练，更新方案库：开始构建马尔可夫决策，路网模型开始进行仿真测试，并开始构建深度强化学习模型，深度强化学习模型收集测试数据。并依据收集到的测试数据生成更新数据，同时依据更新数据对信号控制策略进行数据优化处理。
进一步地，步骤(1)中所述拥堵指数计算具体步骤如下：
步骤一：云控平台基于边缘计算设备上传并在云端存储的路网移动互联数据，如网联车数据、车载定位数据等，根据移动互联数据在相位绿灯时间内车辆的位置和速度信息，针对不同路段流向在天气(雪、大雨、小雨、阴天、晴天)、事件(事故、大型活动)、时段区间(高峰、平峰、夜晚)3类分组标签下的速度信息，为每一个分组标签组合下的速度信息按照百分位数进行统计，作为路段流向在该分组标签下的拥堵指数，从而构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集；
步骤二：云控平台将每个路段流向的拥堵指数分为5个等级(严重拥堵[0％,20％]、一般拥堵[20％,40％]、稳态[40％,60％]、一般通畅[60％,80％]、非常通畅[80％,100％])。
进一步地，步骤(2)中拥堵区域确定具体步骤如下：
第一步：云控平台对于每个实时的时间间隔内移动互联数据更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向；
第二步：当某个区域内各个路段流向的平均拥堵指数小于40％时，云控平台实时确定该区域为拥堵区域范围。
进一步地，步骤(3)中宏观基本图构建及区域边界控制具体步骤如下：
S1：云控平台计算拥堵区域的宏观基本图；
S2：云控平台根据宏观基本图得到区域边界的流入控制率，根据流入控制率，对边界控制点相应边缘计算设备的相位约束(最小绿灯时间)和马尔可夫选择集(步长)进行调整。
进一步地，步骤(4)中所述截流点和疏解点确定及相位参数调整具体步骤如下：
SS1：云控平台根据每个路段的不同流向的拥堵指数及上下游关系，当拥堵区域边界及区域内，某个连续路径各个路段流向的平均拥堵指数小于40％时，确定拥堵截流点和疏解点；
SS2：云控平台将相应边缘计算设备设置为协同关系，对截流点和疏解点的相位约束(最小绿灯时间)和马尔可夫选择集(步长)统一进行调整。
进一步地，步骤(5)中所述设备调试具体步骤如下：
P1：工作人员进行进口道主动式检测器、进口道入口位置的被动感应式检测器、进口道停车线出口位置的被动感应式检测器以及广义网联设备的布置，工作人员将被动感应式检测器、主动式检测器以及广义网联设备分别与边缘计算设备通信连接，并开始运行被动感应式检测器、主动式检测器以及广义网联设备；
P2：计算机接收被动感应式检测器、主动式检测器以及广义网联设备传输的数据，并将其进行显示同时实时检测被动感应式检测器、主动式检测器以及广义网联设备是否正常运行，边缘计算设备自动统计数据质量，实现缺失数据填补，并决策是否需要维修或者替换相应的检测器；
P3：工作人员依据边缘计算设备的决策，维修或者替换相应的检测器；
P4：边缘计算设备开始建立路网静态地图，该路网静态地图将各类信息对应到每个进口车道，无论交叉口各个进口道是哪种交通组织、几何结构、车道长度，均可以通过投影、进口道排列、拼接等方式处理生成标准化长度的位置图和速度图，对处于同一个放行相位的转向车道进行重新排序，除了保护车道功能，组合车道均以执行为主，将位置图和速度图栅格化处理，生成标准化的输入矩阵；
P5：若进口道主动式检测器以及进口道入口位置的被动感应式检测器向边缘计算设备发送采集数据，则将其发送至深度强化学习模型，若进口道停车线出口位置的被动感应式检测器发送采集数据至边缘计算设备，则开始对其进行流量预测。
进一步地，步骤(6)中所述数据填补具体步骤如下：
PP1：边缘计算设备接收被动感应式检测器、主动式检测器收集的交通流量、轨迹数据；
PP2：边缘计算设备基于概率主成分分析等方法，对缺失检测器数据在MCAR、MAR、MNAR不同缺失模式和不同缺失率进行数据填补。
进一步地，步骤(7)中所述数据预测具体步骤如下：
Q1：道路缺失信息填补完成，边缘计算设备收集布设于进口道停车线出口位置的被动感应式检测器的采集，并将填补后完整的交通流量时间序列分解为趋势性、周期性以及残差项；
Q2：依据上下游检测器之间的时空关联关系，边缘计算设备开始对三维残差网络进行数据特征提取，并生成高维张量输入变量；
Q3：通过递归神经网络和注意力网络对高维张量输入变量进行时间序列训练，记录生成的交通流量预测值。
进一步地，步骤(8)中所述排队溢出判断具体步骤如下：
QQ1：边缘计算设备接收被动感应式检测器、主动式检测器收集到的不同转向检测器所得排队长度、饱和度，或者智能网联路侧设备所得车队队尾的轨迹数据，或者通过移动互联数据，如网联车数据、车载定位数据等移动互联数据估计所得排队长度；
QQ2：边缘计算设备判断排队长度是否超过路段长度、饱和度是否过饱和、车队队尾的车辆是否位于路段之外且在相位绿灯时长内速度为零，若是，则存在排队溢出现象，该转向相位取最大绿灯时长，若否，则不改变相位；
进一步地，步骤(9)中所述数据处理具体步骤如下：
M1：边缘计算设备接收被动感应式检测器、主动式检测器收集到的车道流量，并通过数据填补、数据预测等技术得到完整的检测器信息，同时接收广义网联设备采集一定渗透率的轨迹信息，将收集到的检测器信息和轨迹信息进行标准化处理，得到状态s；
M2：边缘计算设备将信号方案同步至路网模型，并开始进行仿真模拟；
M3：边缘计算设备开始通过一定渗透率的轨迹信息计算车辆的平均延误估计值，其具体公式如下：
Figure BDA0003196606270000081
其中，
Figure BDA0003196606270000091
代表第个t周期第n辆车的延误,L代表路段长度，vf代表自由流速度；
Figure BDA0003196606270000092
其中，rt代表车辆的平均延误估计值，N代表第t个周期被轨迹数据采样的的车辆数；
计算完成，将估计的评价指标反馈给边缘计算设备的状态s对应的奖励。
进一步地，步骤(10)中所述深度强化学习信号控制优化处理具体步骤如下：
MM1：边缘计算设备开始构建双网络对抗深度Q学习网络模型，路网模型将状态s依据NEMA双环控制结构八相位构建动作空间，并通过马尔可夫过程生成不同的动作空间a，并将状态s以及动作空间a导入学习网络模型中，并通过CNN深度卷积网络进行信息提取；
MM2：将提取完成的数据信息同步输入n-step 3DQN进行前向观察处理，并依据前向观察结果对深度强化学习模型进行更新，其具体前向观察公式如下：
Figure BDA0003196606270000093
其中，Q代表目标值，θ代表CNN网络超参数，a′是当前时刻下一步准备采取的行动；
Figure BDA0003196606270000101
其中，Qtarget代表目标的学习值，
Figure BDA0003196606270000102
代表目标网络n步观察的学习率，s′是当前时刻下一步的状态；
MM3：深度强化学习模型训练中，边缘计算设备通过经验回放策略对梯度进行更新，其具体更新公式如下：
μi＝|Q(s,a；θ)i-Qtarget(s,a)i| (5)
其中，μi代表经验样本的时间差分误差，Q代表目标值，Qtarget代表目标的学习值，θ代表CNN网络超参数；
Figure BDA0003196606270000103
其中，Zi代表经验样本i的排名，zi代表经验样本i的优先级排序序号，N代表历史经验库中用于统计优先权的样本总数；
Figure BDA0003196606270000104
其中，g代表参数梯度，J(θ)代表损耗函数；
s＝ρss+(1-ρs)g (8)
其中，s代表一阶偏矩，ρs代表一阶矩的指数衰减率；
r＝ρrr+(1-ρr)g (9)
其中，r代表二阶偏矩，ρr代表二阶矩的指数衰减率；
Figure BDA0003196606270000105
其中，
Figure BDA0003196606270000106
代表一阶偏置矩；
Figure BDA0003196606270000111
其中，
Figure BDA0003196606270000112
代表二阶偏置矩；
Figure BDA0003196606270000113
其中，εr代表初始学习速率，λ代表一个常数
θ-＝αθ-+(1-α)θ (13)
其中，θ-原CNN网络中的参数θ进行反向传播更新；
MM4：深度强化学习模型更新完成，输入新的状态s’，既能得出优化的信号控制方案。
相比于现有技术，本发明的有益效果在于：
1、该种深度强化学习路网分布式交通控制方法，边缘计算设备收集被动感应式检测器、主动式检测器以及广义网联设备传输的交通流量、轨迹数据，对MCAR、MAR、MNAR不同缺失模式和不同缺失率下检测器数据采用概率主成分分析方法进行缺失数据填补，道路缺失信息填补完成，边缘计算设备将填补后完整的交通流量时间序列分解为趋势性、周期性以及残差项通过递归神经网络和注意力网络对高维张量输入变量进行时间序列训练，记录生成的交通流量预测值，能够对各时段车流量信息进行实时收集以及预测，保证交通信号控制的准确性，节省人们出行时间；
2、该种深度强化学习路网分布式交通控制方法，在考虑拥堵态势预测确定路网容量约束下的拥堵区域边界、拥堵路径的截流点和疏解点以及排队溢出的基础上，通过边缘计算设备将收集到的车道和停车线的位置、速度、流量并通过数据整合处理生成状态s，依据NEMA双环控制结构八相位构建动作空间，并通过马尔可夫过程生成不同的动作空间a，并通过奖励函数计算车辆的平均延误估计值，开始构建双网络对抗深度Q学习网络模型，将状态s以及动作空间a导入学习网络模型中，并通过CNN深度卷积网络进行数据处理，处理完成的数据同步输入n-step 3DQN进行训练，并对深度强化学习模型进行更新训练，深度强化学习模型不断适应交通需求的动态变化，实现信号控制策略进行数据优化，能够适应两类数据源、不同检测器布设情况，不同数据缺失、渗透率情况，通过前向观察实现固定时间段内最优。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种考虑路网容量约束的分布式主动均衡管控方法的流程框图；
图2为本发明提出的一种考虑路网容量约束的分布式主动均衡管控方法的定周期标准化动作空间示意图；
图3为本发明提出的一种考虑路网容量约束的分布式主动均衡管控方法的变周期标准化动作空间示意图。
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。
参照图1-3，一种考虑路网容量约束的分布式主动均衡管控方法，该管控方法具体步骤如下：
(1)云控平台基于边缘计算设备上传并在云端存储的路网移动互联数据，如网联车数据、车载定位数据等，根据移动互联数据在相位绿灯时间内车辆的位置和速度信息，针对不同路段流向在天气(雪、大雨、小雨、阴天、晴天)、事件(事故、大型活动)、时段区间(高峰、平峰、夜晚)3类分组标签下的速度信息，为每一个分组标签组合下的速度信息按照百分位数进行统计，作为路段流向在该分组标签下的拥堵指数，从而构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集，并将将每个路段流向的拥堵指数分为5个等级(严重拥堵[0％,20％]、一般拥堵[20％,40％]、稳态[40％,60％]、一般通畅[60％,80％]、非常通畅[80％,100％])。
(2)云控平台对于每个实时的时间间隔内移动互联数据更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向，当某个区域内各个路段流向的平均拥堵指数小于40％时，云控平台实时确定该区域为拥堵区域范围。
(3)云控平台计算拥堵区域的宏观基本图，根据宏观基本图得到区域边界的流入控制率，根据流入控制率，对边界控制点相应边缘计算设备的相位约束(最小绿灯时间)和马尔可夫选择集(步长)进行调整。
(4)云控平台根据每个路段的不同流向的拥堵指数及上下游关系，当拥堵区域边界及区域内，某个连续路径各个路段流向的平均拥堵指数小于40％时，确定拥堵截流点和疏解点，并将相应边缘计算设备设置为协同关系，对截流点和疏解点的相位约束(最小绿灯时间)和马尔可夫选择集(步长)统一进行调整。
(5)工作人员调试并布置被动感应式检测器、主动式检测器以及广义网联设备：工作人员在道路固定位置处布置被动感应式检测器、主动式检测器以及广义网联设备，并将其与边缘边缘计算设备通信连接，同时对其进行设备调试，确认被动感应式检测器、主动式检测器以及广义网联设备是否可以正常运行，并建立路网静态地图，其中，被动感应式检测器具体为感应线圈检测器、地磁检测器或电子标签检测器等，主动式检测器具体为激光雷达检测器、毫米波雷达检测器或视频卡口检测器等，广义网联设备包括：GPS定位单元以及路侧通信单元。
在本实施例中公开了一种设备调试方法，其具体工作原理如下：工作人员进行进口道主动式检测器、进口道入口位置的被动感应式检测器、进口道停车线出口位置的被动感应式检测器以及广义网联设备的布置，工作人员将被动感应式检测器、主动式检测器以及广义网联设备分别与边缘计算设备通信连接，并开始运行被动感应式检测器、主动式检测器以及广义网联设备，计算机接收被动感应式检测器、主动式检测器以及广义网联设备传输的数据，并将其进行显示同时实时检测被动感应式检测器、主动式检测器以及广义网联设备是否正常运行，边缘计算设备自动统计数据质量，并决策是否需要维修或者替换相应的检测器，工作人员依据边缘计算设备的决策，维修或者替换相应的检测器，边缘计算设备开始建立路网静态地图，该路网静态地图将各类信息对应到每个进口车道，无论交叉口各个进口道是哪种交通组织、几何结构、车道长度，均可以通过投影、进口道排列、拼接等方式处理生成标准化长度的位置图和速度图，对处于同一个放行相位的转向车道进行重新排序，除了保护车道功能，组合车道均以执行为主，将位置图和速度图栅格化处理，生成标准化的输入矩阵，若进口道主动式检测器以及进口道入口位置的被动感应式检测器向边缘计算设备发送采集数据，则将其发送至深度强化学习模型，若进口道停车线出口位置的被动感应式检测器发送采集数据至边缘计算设备，则开始对其进行流量预测。
(6)收集相关道路信息以及对相关道路缺失数据进行填补：被动感应式检测器、主动式检测器以及广义网联设备对相关道路信息进行数据采集，同时将其发送至边缘计算设备，边缘计算设备依据采集到的道路信息对道路缺失数据进行数据填补。
具体的，该边缘计算设备具体数据填补原理如下：边缘计算设备收集被动感应式检测器、主动式检测器传输的几何间距、相位时间以及车道数，并将MCAR(MissingCompletely at Random)、MAR(Missing at Random)、MNAR/MND(Missing not at Random/Missing at Determinate)不同缺失模式和不同缺失率，采用概率主成分分析方法进行数据填补。
(7)实时收集各时段车流量信息并进行交通流量预测：被动感应式检测器、主动式检测器以及广义网联设备对各时段车流量信息进行实时监测，记录各时段车流量信息，并将其发送至边缘计算设备，边缘计算设备依据收集到的车流量信息对相关道路的交通流量进行数据预测。
在本实施例中公开了一种数据预测方法，其具体工作原理如下：道路缺失信息填补完成，边缘计算设备收集布设于进口道停车线出口位置的被动感应式检测器的采集，并将填补后完整的交通流量时间序列分解为趋势性、周期性以及残差项，依据上下游检测器之间的时空关联关系，边缘计算设备开始对三维残差网络进行数据特征提取，并生成高维张量输入变量，通过递归神经网络和注意力网络对高维张量输入变量进行时间序列训练，记录生成的交通流量预测值。
(8)边缘计算设备接收被动感应式检测器、主动式检测器收集到的不同转向检测器所得排队长度、饱和度，或者智能网联路侧设备所得车队队尾的轨迹数据，或者通过移动互联数据，如网联车数据、车载定位数据等移动互联数据估计所得排队长度，边缘计算设备根据数据采集信息进行排队溢出判断，通过是否超过路段长度、饱和度是否过饱和、车队队尾的车辆是否位于路段之外且在相位绿灯时长内速度为零4个指标，若满足其中任意一个条件，则存在排队溢出现象，该转向相位取最大绿灯时长，若否，则不改变相位；
(9)构建路网模型并设计信号控制优化策略：收集各车辆轨迹数据并对相关区域的路网进行数据模拟，并构建相应路网模型，同时通过OSM提取城市交通真实路网地图，并对构建的路网模型进行模型优化，并开始设计信号控制优化策略。
本实施例中提供了一种数据强化方法，其具体工作原理如下：边缘计算设备接收被动感应式检测器、主动式检测器收集到的车道和停车线的位置、速度、流量并通过数据整合处理生成状态s，同时接收广义网联设备采集全样本轨迹信息以及每个车道的流量信息，将收集到的状态s以及流量信息处理生成信号方案，边缘计算设备将信号方案同步至路网模型，并开始进行仿真模拟，将各类信息对应到每个进口车道，并对其进行拼接处理，边缘计算设备开始通过奖励函数计算车辆的平均延误估计值。
具体的，该奖励函数具体计算公式如下：
Figure BDA0003196606270000171
其中，
Figure BDA0003196606270000172
代表第个t周期第n辆车的延误，L代表路段长度，vf代表自由流速度；
Figure BDA0003196606270000173
其中，rt代表车辆的平均延误估计值，N代表第t个周期被轨迹数据采样的的车辆数，计算完成，将生成的数据通过边缘计算设备反馈给用户。
(10)构建马尔可夫决策过程，开始依据路网模型进行深度强化学习方案训练，更新方案库：开始构建马尔可夫决策，路网模型开始进行仿真测试，并开始构建深度强化学习模型，深度强化学习模型收集测试数据。并依据收集到的测试数据生成更新数据，同时依据更新数据对信号控制策略进行数据优化处理。
在本实施例中公开了一种数据优化方法，其具体工作原理如下：边缘计算设备开始构建双网络对抗深度Q学习网络模型，路网模型将状态s依据NEMA双环控制结构八相位构建动作空间，并通过马尔可夫过程生成不同的动作空间a，并将状态s以及动作空间a导入学习网络模型中，并通过CNN深度卷积网络进行数据处理，并依据前向观察结果对深度强化学习模型进行更新，深度强化学习模型开始更新，边缘计算设备通过经验回放策略对梯度进行更新，深度强化学习模型更新完成，开始生成更新数据，并对信号控制策略进行数据优化处理。
在本实施例中提出了一种前向观察方法，其具体公式如下：
Figure BDA0003196606270000181
其中，Q代表目标值，θ代表CNN网络超参数，a′是当前时刻下一步准备采取的行动；
Figure BDA0003196606270000182
其中，Qtarget代表目标的学习值，
Figure BDA0003196606270000183
代表目标网络n步观察的学习率，s′是当前时刻下一步的状态。
具体的，该深度强化学习模型具体更新公式如下：
μi＝|Q(s,a；θ)i-Qtarget(s,a)i| (5)
其中，μi代表经验样本i的时间差分误差，Q代表目标值，
Qtarget代表目标的学习值，θ代表CNN网络超参数；
Figure BDA0003196606270000191
其中，Zi代表经验样本的排名，zi代表经验样本的优先级排序序号，N代表历史经验库中用于统计优先权的样本总数；
Figure BDA0003196606270000192
其中，g代表参数梯度，J(θ)代表损耗函数；
s＝ρss+(1-ρs)g (8)
其中，s代表一阶偏矩，ρs代表一阶矩的指数衰减率；
r＝ρrr+(1-ρr)g (9)
其中，r代表二阶偏矩，ρr代表二阶矩的指数衰减率；
Figure BDA0003196606270000193
其中，
Figure BDA0003196606270000194
代表一阶偏置矩；
Figure BDA0003196606270000195
其中，
Figure BDA0003196606270000196
代表二阶偏置矩；
Figure BDA0003196606270000197
其中，εr代表初始学习速率，λ代表一个常数；
θ-＝αθ-+(1-α)θ (13)
其中，θ-原CNN网络中的参数θ进行反向传播更新。
本实施例中公开了一种经验回放策略，其具体原理是根据优先级从经验内存中选择样本，可以更快地学习并获得更好的最终策略，其核心思想是提高具有更高时差误差的样本的重放概率，通过等级划分筛选出优先等级较高的策略方案。
具体的，马尔可夫决策具体原理如下：针对NEMA双环八相位基础结构，对NEMA双环八相位进行编号，每个交叉口的相位结构和相位时长，都由编号的相位进行相应实际执行相位计算和判断得出，由于交叉口的形状和车道功能的不同，相应的相位顺序会有差异，以步长为j设计了图2和图3所示，同时支持定周期和变周期马尔可夫标准化动作空间，实现信号配时方案持续优化。
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 (10)

1.一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，该管控方法具体步骤如下：
(1)构建不同路段流向拥堵指数数据集：基于移动互联数据，如网联车数据、车载定位数据等，根据移动互联数据在相位绿灯时间内车辆的位置和速度信息，针对不同路段流向在天气、事件、时段区间3类分组标签下的速度信息，为每一个分组标签组合下的速度信息按照百分位数进行统计，作为路段流向在该分组标签下的拥堵指数，从而构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集，将每个路段流向的拥堵指数分为5个等级(严重拥堵[0％,20％]、一般拥堵[20％,40％]、稳态[40％,60％]、一般通畅[60％,80％]、非常通畅[80％,100％])；
(2)判断实时拥堵区域：对于每个实时的时间间隔，根据该时间间隔内移动互联数据更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向，当某个区域内各个路段流向的平均拥堵指数小于40％时，该区域被实时确定为拥堵区域范围；
(3)计算拥堵区域的宏观基本图，得到区域边界的流入控制率：计算拥堵区域的宏观基本图，并根据宏观基本图得到区域边界的流入控制率，根据流入控制率，对边界控制点的相位约束和马尔可夫选择集进行调整；
(4)根据路段流向的拥堵指数及上下游关系确定拥堵区域边界及区域内截流点和疏解点：根据每个路段的不同流向的拥堵指数及上下游关系，当拥堵区域边界及区域内，某个连续路径各个路段流向的平均拥堵指数小于40％时，确定拥堵截流点和疏解点，对截流点和疏解点的相位约束和马尔可夫选择集进行调整；
(5)工作人员调试并布置被动感应式检测器、主动式检测器以及广义网联设备：工作人员在道路固定位置处布置被动感应式检测器、主动式检测器以及广义网联设备，并将其与边缘边缘计算设备通信连接，同时对其进行设备调试，确认被动感应式检测器、主动式检测器以及广义网联设备是否可以正常运行，并建立路网静态地图，其中，被动感应式检测器具体为感应线圈检测器、地磁检测器或电子标签检测器等，主动式检测器具体为激光雷达检测器、毫米波雷达检测器或视频卡口检测器等，广义网联设备包括：GPS定位单元以及路侧通信单元；
(6)收集相关道路信息以及对相关道路缺失数据进行填补：被动感应式检测器、主动式检测器以及广义网联设备对相关道路信息进行数据采集，同时将其发送至边缘计算设备，边缘计算设备依据采集到的道路信息对道路缺失数据进行数据填补；
(7)实时收集各时段车流量信息并进行交通流量预测：被动感应式检测器、主动式检测器以及广义网联设备对各时段车流量信息进行实时监测，记录各时段车流量信息，并将其发送至边缘计算设备，边缘计算设备依据收集到的车流量信息对相关道路的交通流量进行数据预测；
(8)判断排队溢出，确定溢出转向的相位最大绿灯时长：根据多源数据，得出不同转向检测器所得转向排队长度、饱和度、智能网联车队尾样本特征、移动互联数据估计所得排队长度等关键指标，判断是否存在排队溢出现象，若任意指标超过路段长度范围，则该转向存在排队溢出，该转向相位取最大绿灯时长；
(9)构建路网模型并设计信号控制优化策略：依据不同的区域路网容量约束的主动均衡约束，构建路网模型并设计信号控制优化策略：收集各车辆轨迹数据并对相关区域的路网进行数据模拟，并构建相应路网模型，同时通过OSM提取城市交通真实路网地图，并对构建的路网模型进行模型优化，并开始设计信号控制优化策略；
(10)构建马尔可夫决策过程，开始依据路网模型进行深度强化学习方案训练，更新方案库：开始构建马尔可夫决策，路网模型开始进行仿真测试，并开始构建深度强化学习模型，深度强化学习模型收集测试数据，并依据收集到的测试数据生成更新数据，同时依据更新数据对信号控制策略进行数据优化处理。
2.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(1)中所述拥堵指数计算具体步骤如下：
步骤一：云控平台基于边缘计算设备上传并在云端存储的路网移动互联数据，如网联车数据、车载定位数据等，根据移动互联数据在相位绿灯时间内车辆的位置和速度信息，针对不同路段流向在天气(雪、大雨、小雨、阴天、晴天)、事件(事故、大型活动)、时段区间(高峰、平峰、夜晚)3类分组标签下的速度信息，为每一个分组标签组合下的速度信息按照百分位数进行统计，作为路段流向在该分组标签下的拥堵指数，从而构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集；
步骤二：云控平台将每个路段流向的拥堵指数分为5个等级(严重拥堵[0％,20％]、一般拥堵[20％,40％]、稳态[40％,60％]、一般通畅[60％,80％]、非常通畅[80％,100％])。
3.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(2)中所述拥堵区域确定具体步骤如下：
第一步：云控平台对于每个实时的时间间隔内移动互联数据更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向；
第二步：当某个区域内各个路段流向的平均拥堵指数小于40％时，云控平台实时确定该区域为拥堵区域范围。
4.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(3)中所述宏观基本图构建及区域边界控制具体步骤如下：
S1：云控平台计算拥堵区域的宏观基本图；
S2：云控平台根据宏观基本图得到区域边界的流入控制率，根据流入控制率，对边界控制点相应边缘计算设备的相位约束(最小绿灯时间)和马尔可夫选择集(步长)进行调整。
5.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(4)中所述截流点和疏解点确定及相位参数调整具体步骤如下：
SS1：云控平台根据每个路段的不同流向的拥堵指数及上下游关系，当拥堵区域边界及区域内，某个连续路径各个路段流向的平均拥堵指数小于40％时，确定拥堵截流点和疏解点；
SS2：云控平台将相应边缘计算设备设置为协同关系，对截流点和疏解点的相位约束(最小绿灯时间)和马尔可夫选择集(步长)统一进行调整。
6.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(5)中所述设备调试具体步骤如下：
P1：工作人员进行进口道主动式检测器、进口道入口位置的被动感应式检测器、进口道停车线出口位置的被动感应式检测器以及广义网联设备的布置，工作人员将被动感应式检测器、主动式检测器以及广义网联设备分别与边缘计算设备通信连接，并开始运行被动感应式检测器、主动式检测器以及广义网联设备；
P2：计算机接收被动感应式检测器、主动式检测器以及广义网联设备传输的数据，并将其进行显示同时实时检测被动感应式检测器、主动式检测器以及广义网联设备是否正常运行，边缘计算设备自动统计数据质量，并决策是否需要维修或者替换相应的检测器；
P3：工作人员依据边缘计算设备的决策，维修或者替换相应的检测器；
P4：边缘计算设备开始建立路网静态地图，该路网静态地图将各类信息对应到每个进口车道，无论交叉口各个进口道是哪种交通组织、几何结构、车道长度，均可以通过投影、进口道排列、拼接等方式处理生成标准化长度的位置图和速度图，对处于同一个放行相位的转向车道进行重新排序，除了保护车道功能，组合车道均以执行为主，将位置图和速度图栅格化处理，生成标准化的输入矩阵；
P5：若进口道主动式检测器以及进口道入口位置的被动感应式检测器向边缘计算设备发送采集数据，则将其发送至深度强化学习模型，若进口道停车线出口位置的被动感应式检测器发送采集数据至边缘计算设备，则开始对其进行流量预测。
7.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(6)中所述数据填补具体步骤如下：
PP1：边缘计算设备接收被动感应式检测器、主动式检测器收集的交通流量、轨迹数据；
PP2：边缘计算设备基于概率主成分分析等方法，对缺失检测器数据在MCAR、MAR、MNAR不同缺失模式和不同缺失率进行数据填补。
8.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(7)中所述数据预测具体步骤如下：
Q1：道路缺失信息填补完成，边缘计算设备收集布设于进口道停车线出口位置的被动感应式检测器的采集数据，并将填补后完整的交通流量时间序列分解为趋势性、周期性以及残差项；
Q2：依据上下游检测器之间的时空关联关系，边缘计算设备开始对三维残差网络进行数据特征提取，并生成高维张量输入变量；
Q3：通过递归神经网络和注意力网络对高维张量输入变量进行时间序列训练，记录生成的交通流量预测值。
9.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(8)中所述排队溢出判断具体步骤如下：
QQ1：边缘计算设备接收被动感应式检测器、主动式检测器收集到的不同转向检测器所得排队长度、饱和度，或者智能网联路侧设备所得车队队尾的轨迹数据，或者通过移动互联数据，如网联车数据、车载定位数据等移动互联数据估计所得排队长度；
QQ2：边缘计算设备判断排队长度是否超过路段长度、饱和度是否过饱和、车队队尾的车辆是否位于路段之外且在相位绿灯时长内速度为零，若是，则存在排队溢出现象，该转向相位取最大绿灯时长，若否，则不改变相位。
10.根据权利要求1所述的一种考虑路网容量约束的分布式主动均衡管控方法，其特征在于，步骤(9)中所述数据处理具体步骤如下：
M1：边缘计算设备接收被动感应式检测器、主动式检测器收集到的车道流量，并通过数据填补、数据预测等技术得到完整的检测器信息，同时接收广义网联设备采集一定渗透率的轨迹信息，将收集到的检测器信息和轨迹信息进行标准化处理，得到状态s；
M2：边缘计算设备将信号方案同步至路网模型，并开始进行仿真模拟；
M3：边缘计算设备开始通过一定渗透率的轨迹信息计算车辆的平均延误估计值，其具体公式如下：
Figure FDA0003196606260000081
其中，
Figure FDA0003196606260000082
代表第个t周期第n辆车的延误,L代表路段长度，vf代表自由流速度；
Figure FDA0003196606260000083
其中，rt代表车辆的平均延误估计值，N代表第t个周期被轨迹数据采样的的车辆数；
计算完成，将估计的评价指标反馈给边缘计算设备的状态s对应的奖励；
进一步地，步骤(10)中所述深度强化学习信号控制优化处理具体步骤如下：
MM1：边缘计算设备开始构建双网络对抗深度Q学习网络模型，路网模型将状态s依据NEMA双环控制结构八相位构建动作空间，并通过马尔可夫过程生成不同的动作空间a，并将状态s以及动作空间a导入学习网络模型中，并通过CNN深度卷积网络进行信息提取；
MM2：将提取完成的数据信息同步输入n-step 3DQN进行前向观察处理，并依据前向观察结果对深度强化学习模型进行更新，其具体前向观察公式如下：
Figure FDA0003196606260000091
(3)
其中，Q代表目标值，θ代表CNN网络超参数，a′是当前时刻下一步准备采取的行动；
Figure FDA0003196606260000092
其中，Qtarget代表目标的学习值，
Figure FDA0003196606260000093
代表目标网络n步观察的学习率，s′是当前时刻下一步的状态；
MM3：深度强化学习模型训练中，边缘计算设备通过经验回放策略对梯度进行更新，其具体更新公式如下：
μi＝|Q(s,a；θ)i-Qtarget(s,a)i| (5)
其中，μi代表经验样本的时间差分误差，Q代表目标值，Qtarget代表目标的学习值，θ代表CNN网络超参数；
Figure FDA0003196606260000094
其中，Zi代表经验样本i的排名，zi代表经验样本i的优先级排序序号，N代表历史经验库中用于统计优先权的样本总数；
Figure FDA0003196606260000095
其中，g代表参数梯度，J(θ)代表损耗函数；
s＝ρss+(1-ρs)g (8)
其中，s代表一阶偏矩，ρs代表一阶矩的指数衰减率；
r＝ρrr+(1-ρr)g (9)
其中，r代表二阶偏矩，ρr代表二阶矩的指数衰减率；
Figure FDA0003196606260000101
其中，
Figure FDA0003196606260000102
代表一阶偏置矩；
Figure FDA0003196606260000103
其中，
Figure FDA0003196606260000104
代表二阶偏置矩；
Figure FDA0003196606260000105
其中，εr代表初始学习速率，λ代表一个常数
θ-＝αθ-+(1-α)θ (13)
其中，θ-原CNN网络中的参数θ进行反向传播更新；
MM4：深度强化学习模型更新完成，输入新的状态s’，既能得出优化的信号控制方案。
CN202110892236.0A 2021-08-04 2021-08-04 一种考虑路网容量约束的分布式主动均衡管控方法 Active CN113706862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110892236.0A CN113706862B (zh) 2021-08-04 2021-08-04 一种考虑路网容量约束的分布式主动均衡管控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110892236.0A CN113706862B (zh) 2021-08-04 2021-08-04 一种考虑路网容量约束的分布式主动均衡管控方法

Publications (2)

Publication Number Publication Date
CN113706862A true CN113706862A (zh) 2021-11-26
CN113706862B CN113706862B (zh) 2023-05-12

Family

ID=78651545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110892236.0A Active CN113706862B (zh) 2021-08-04 2021-08-04 一种考虑路网容量约束的分布式主动均衡管控方法

Country Status (1)

Country Link
CN (1) CN113706862B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822055A (zh) * 2022-06-06 2022-07-29 深圳英博达智能科技有限公司 一种基于机器视觉检测的智慧交通道路协作系统
CN115206115A (zh) * 2022-07-15 2022-10-18 合肥工业大学 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法
CN116129662A (zh) * 2022-10-28 2023-05-16 西部科学城智能网联汽车创新中心(重庆)有限公司 路口车辆通行控制方法及装置
CN116189439A (zh) * 2023-05-05 2023-05-30 成都市青羊大数据有限责任公司 城市智能管理系统
CN116311990A (zh) * 2023-03-27 2023-06-23 南京莱斯信息技术股份有限公司 一种基于互联网数据与检测数据融合的信号控制方法
CN117809460A (zh) * 2024-03-01 2024-04-02 电子科技大学 一种智慧交通调控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030014180A1 (en) * 2001-07-10 2003-01-16 David Myr Method for regional system wide optimal signal timing for traffic control based on wireless phone networks
CN105206070A (zh) * 2015-08-14 2015-12-30 公安部交通管理科学研究所 道路交通信号协调实时优化控制方法及其控制系统
CN107507415A (zh) * 2017-07-06 2017-12-22 广东交通职业技术学院 车联网下基于mfd和排队长度的路网边界限流控制方法
CN107767666A (zh) * 2016-08-22 2018-03-06 任秀欢 一种智能检测的单点控制交叉口出口交通流溢出防控方法
JP2019169028A (ja) * 2018-03-26 2019-10-03 東日本高速道路株式会社 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル
CN113470362A (zh) * 2021-08-13 2021-10-01 中南大学 基于svr-dea模型的城市路段交通拥堵时空精准判别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030014180A1 (en) * 2001-07-10 2003-01-16 David Myr Method for regional system wide optimal signal timing for traffic control based on wireless phone networks
CN105206070A (zh) * 2015-08-14 2015-12-30 公安部交通管理科学研究所 道路交通信号协调实时优化控制方法及其控制系统
CN107767666A (zh) * 2016-08-22 2018-03-06 任秀欢 一种智能检测的单点控制交叉口出口交通流溢出防控方法
CN107507415A (zh) * 2017-07-06 2017-12-22 广东交通职业技术学院 车联网下基于mfd和排队长度的路网边界限流控制方法
JP2019169028A (ja) * 2018-03-26 2019-10-03 東日本高速道路株式会社 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル
CN113470362A (zh) * 2021-08-13 2021-10-01 中南大学 基于svr-dea模型的城市路段交通拥堵时空精准判别方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822055A (zh) * 2022-06-06 2022-07-29 深圳英博达智能科技有限公司 一种基于机器视觉检测的智慧交通道路协作系统
CN115206115A (zh) * 2022-07-15 2022-10-18 合肥工业大学 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法
CN115206115B (zh) * 2022-07-15 2023-05-02 合肥工业大学 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法
CN116129662A (zh) * 2022-10-28 2023-05-16 西部科学城智能网联汽车创新中心(重庆)有限公司 路口车辆通行控制方法及装置
CN116129662B (zh) * 2022-10-28 2023-08-25 西部科学城智能网联汽车创新中心(重庆)有限公司 路口车辆通行控制方法及装置
CN116311990A (zh) * 2023-03-27 2023-06-23 南京莱斯信息技术股份有限公司 一种基于互联网数据与检测数据融合的信号控制方法
CN116311990B (zh) * 2023-03-27 2023-12-22 南京莱斯信息技术股份有限公司 一种基于互联网数据与检测数据融合的信号控制方法
CN116189439A (zh) * 2023-05-05 2023-05-30 成都市青羊大数据有限责任公司 城市智能管理系统
CN117809460A (zh) * 2024-03-01 2024-04-02 电子科技大学 一种智慧交通调控方法及系统
CN117809460B (zh) * 2024-03-01 2024-05-14 电子科技大学 一种智慧交通调控方法及系统

Also Published As

Publication number Publication date
CN113706862B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN113706862A (zh) 一种考虑路网容量约束的分布式主动均衡管控方法
CN110782070B (zh) 一种城市轨道交通突发事件客流时空分布预测方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN109410577B (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
Long et al. Urban traffic congestion propagation and bottleneck identification
CN104715610B (zh) 一种面向城市交通的交通指数计算方法
CN106971565A (zh) 一种基于物联网的区域交通边界控制与诱导协同方法及系统
CN103593535A (zh) 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN101639871B (zh) 面向行为研究的车载动态交通信息诱导系统模拟设计方法
CN113538898A (zh) 一种基于多源数据的高速公路拥堵管控系统
Gashaw et al. Modeling and analysis of mixed flow of cars and powered two wheelers
CN102087788A (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN105740643A (zh) 一种基于城市区域网格自适应的pm2.5浓度推测方法
CN112927513B (zh) 一种实时在线交通仿真方法及系统
Ban et al. Bottleneck identification and calibration for corridor management planning
CN111275965A (zh) 一种基于互联网大数据的实时交通仿真分析系统与方法
CN115063978B (zh) 一种基于数字孪生的公交到站时间预测方法
CN115018148A (zh) 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统
Wismans et al. Real time traffic models, decision support for traffic management
Othman et al. Machine learning aided simulation of public transport utilization
Kanoh et al. Short-term traffic prediction using fuzzy c-means and cellular automata in a wide-area road network
CN109712402B (zh) 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
Chauhan et al. Effect of side friction parameter on urban road traffic: under mixed traffic scenario
CN112699535A (zh) 高架地面联动交通信号区域自适应控制方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230418

Address after: Room 612-1, No. 4801 Caoan Road, Anting Town, Jiading District, Shanghai, 201804

Applicant after: Zhaobian (Shanghai) Technology Co.,Ltd.

Address before: 201804 Cao Road 4800, Shanghai, Jiading District

Applicant before: TONGJI University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant