CN113724492A - 考虑车辆类型和组群的骑行者闯红灯行为预测方法 - Google Patents
考虑车辆类型和组群的骑行者闯红灯行为预测方法 Download PDFInfo
- Publication number
- CN113724492A CN113724492A CN202110864477.4A CN202110864477A CN113724492A CN 113724492 A CN113724492 A CN 113724492A CN 202110864477 A CN202110864477 A CN 202110864477A CN 113724492 A CN113724492 A CN 113724492A
- Authority
- CN
- China
- Prior art keywords
- rider
- red light
- group
- running behavior
- light running
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000006399 behavior Effects 0.000 claims description 64
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G08G1/0129—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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Abstract
本发明公开了一种考虑车辆类型和组群的骑行者闯红灯行为预测方法,考虑自行车类型和骑行者组群的影响,结合骑行者个人特征、交通流特征、平面交叉口几何特性以及信号控制特征,采用随机参数逻辑模型,挖掘平面信号交叉口骑行者闯红灯行为发生机理,建立考虑车辆类型和组群的骑行者闯红灯行为模型,预测骑行者闯红灯行为发生概率。本发明在道路交通组成和交通设施对骑行者闯红灯行为作用效果确定条件下,定量估计骑行者发生闯红灯行为的概率,能够使得道路交通设计的成本效益最优化,为道路交通管理者和公共交通运营者制定和修改交通规划政策和措施提供参考,为交通安全管理与评价以及道路交通可持续性发展提供依据,具有实际的工程运用价值。
Description
技术领域
本发明属于城市道路交通安全领域,涉及一种考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法。
背景技术
平面信号交叉口是城市道路网络交通流汇集的节点,是道路交通事故的高发区。在平面交叉口内机动车、非机动车以及行人的行进方向各有不同,因此经常发生大量 干扰与冲突。在各种交通冲突中,机动车与非机动车以及行人的冲突最为突出,极易 发生交通事故,是造成平面交叉口交通秩序混乱和交通安全性下降的重要因素。
非机动车是城市道路交通系统的重要组成。非机动车可分为传统自行车和电动自行车。电动自行车以蓄电池为辅助动力,从中短距离出行方面看,被认为是能够替代 机动车和传统自行车的便捷、灵活、高性价比的环保型交通工具。尽管在出行效率和 环境保护方面具有诸多优点,电动自行车和传统自行车在自行车道上混行,也带来了 诸多道路交通安全问题,使得道路交通管理更加困难。
在平面信号交叉口约为四分之一的非机动车与机动车之间的交通冲突是由非机动车骑行者的闯红灯行为造成的。研究平面信号交叉口非机动车骑行者闯红灯行为有 助于道路交通设计和管理者制定相关法规优化自行车道上电动自行车和传统自行车 的比例,为道路使用者提供一个安全的道路交通环境。在道路交通组成和交通设施对 骑行者闯红灯行为作用效果确定的情况下,定量地估计骑行者发生闯红灯行为的概率 能够使得道路交通设计的成本效益最优化。
发明内容
发明目的:针对平面交叉口非机动车安全的问题,本发明的目的是提供一种考虑车 辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,考虑自行车类型和骑行者 组群的影响,结合骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征,采用随机参数逻辑模型,挖掘骑行者闯红灯行为发生机理,建立考虑车辆类型和组群的 骑行者闯红灯行为模型,预测平面信号交叉口骑行者闯红灯行为发生概率。
技术方案:考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,包 括以下步骤:
步骤一,辨识平面信号交叉口骑行者闯红灯行为。
选取合适的平面信号交叉口,架设两台摄像机,一台架设在信号交叉口附近的高楼上,拍摄信号交叉口机动车、非机动车、行人在交叉口内部的运动情况,另一台架设 在非机动车进口道附近,拍摄骑行者个人特征、骑行行为、进入信号交叉口的信号时间 以及信号相位变化情况。无论骑行者是否穿越了信号交叉口,只要骑行者在红灯时间段 内越过了进口道停车线,就被认为是发生闯红灯行为。
步骤二,划分非机动车骑行者组群类型,提出非机动车骑行者组群判断标准。
根据视频录像,在信号交叉口进口道停车线上游10米的位置设置一条参考线,以2秒为阈值,如果相邻两辆非机动车的通过参考线的车头时距小于2秒,认为这两个骑 行者属于同一个组群,否则属于不同组群。非机动车骑行者组群判断标准如图1所示, 若非机动车i和j的车头时距Δtij<2秒,则非机动车i和j属于同一族群,否则属于不 同组群。将骑行者组群按照人数分为四组:1人组群,2人至4人组群,5人至8人组 群和多于8人组群。
步骤三,确定影响骑行者闯红灯行为的因素。
从视频录像中收集车辆类型、骑行者个人特征、交通流特征、交叉口几何特性、 信号控制特征以及步骤二确定的组群类型,作为影响因素。车辆类型分为电动自行车和 传统自行车;骑行者个人特征包括性别、年龄,性别分为男性和女性,年龄分为25岁 以下、25岁至59岁、60岁及以上;交通流特征包括非机动车和机动车流量,非机动车 流量是每个信号周期内到达信号交叉口的骑行者的数量,机动车流量是每个信号周期内 到达信号交叉口的对向机动车数量;信号交叉口几何特征包括信号交叉口宽度、中央分 隔带类型;信号控制信息包括是否倒计时信号控制、绿信比。
步骤四,基于随机参数逻辑模型,建立考虑车辆类型和组群的骑行者闯红灯行为预测模型。
随机参数逻辑模型中因变量为骑行者是否发生闯红灯行为,自变量是上述影响因素。随机参数逻辑模型中,通过联系函数可建立因变量和自变量之间的非线性关系,能 够解释不同出行方式转换的期望概率与其影响因素间的非线性关系。在建立骑行者闯红 灯行为预测模型时,把影响因素带入随机参数逻辑模型中,采用逐步回归方法,逐一检 验影响因素的显著性,保留小于等于设定阈值(0.05)的显著的影响因素,去除大于设 定阈值的不显著的影响因素,建立骑行者闯红灯行为预测模型:
其中,P(yi=1|X.i)为骑行者i发生闯红灯行为的概率,X.i表示骑行者i的所有影响因素; yi表示骑行者i是否发生闯红灯行为,如果闯红灯行为发生则yi=1,否则yi=0;J是影 响因素总数;Xji是骑行者i的第j个影响因素;骑行者i的第j个影响因素的参数是所有骑行者第j个影响因素的参数的均值,ωji是对应βji的骑行者i的第j个影响因素的参数的误差项;exp(·)为指数函数。
骑行者闯红灯行为预测模型的对数似然函数LL为:
其中,N为骑行者的总人数。
步骤五,利用考虑车辆类型和组群的骑行者闯红灯行为模型预测骑行者闯红灯行为发生的概率。
基于骑行者闯红灯行为预测模型,将影响因素带入模型获取骑行者闯红灯行为发生的概率,用于预测骑行者闯红灯行为是否发生。
有益效果:本发明可以在道路交通组成和交通设施对骑行者闯红灯行为作用效果确定的情况下,定量地估计骑行者发生闯红灯行为的概率,能够使得道路交通设计的成 本效益最优化,为道路交通管理者和公共交通运营者制定和修改交通规划政策和措施提 供参考,为城市道路交通安全管理与评价以及道路交通可持续性发展提供依据,具有实 际的工程运用价值。
附图说明
图1是非机动车骑行者组群判断标准示意图;
图2是本发明的流程图。
具体实施方式
通过具体说明以及实例详细阐述本发明。
本发明实施例在8个平面信号交叉口早上7:00至9:00和下午5:00至7:00高峰 时间段内观测了6930名非机动车骑行者的骑行行为、车辆类型、骑行者组群、骑行者 个人特征、交通流特征、交叉口几何特性以及信号控制特征作为数据基础,建立考虑车 辆类型和组群的骑行者闯红灯行为预测模型,流程如图2所示。按照车辆类型分为电动 自行车和传统自行车骑行者;按照权利要求3的骑行者组群判断标准,将骑行者分为4 个组群(1人组群、2人至4人组群、5人至8人组群、多于8人组群);收集车辆类型、 骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征。
通过大量观察,发现与非机动车骑行者的闯红灯行为相关的因素有车辆类型(电动 自行车和传统自行车骑行者),组群类型(1人组群、2人至4人组群、5人至8人组群、 多于8人组群),骑行者性别(男性和女性),年龄(25岁以下、25岁至59岁、60岁 及以上),每个信号周期内到达信号交叉口的骑行者的数量,每个信号周期内到达信号 交叉口的对向机动车数量,是否载运旅客或货物、是否倒计时信号控制,信号周期时间, 绿灯时间和红灯时间,信号交叉口宽度以及中央分隔带类型。
基于随机参数逻辑模型,建立考虑车辆类型和组群的骑行者闯红灯行为预测模型。 在建立骑行者闯红灯行为预测模型时,将骑行者未发生闯红灯行为作为基准,把影响因 素带入随机参数逻辑模型中,采用逐步回归方法,逐一检验影响因素的显著性,保留小于等于设定阈值(0.05)的显著的影响因素,去除大于设定阈值的不显著的影响因素建 立骑行者闯红灯行为预测模型。经过逐一检验,发现电动自行车、1人组群、2人至4 人组群、多于8人组群、男性、25岁以下年轻人、60岁及以上老年人、载运旅客或货 物、每个信号周期内到达信号交叉口的骑行者的数量,每个信号周期内到达信号交叉口 的对向机动车数量、倒计时信号控制、信号交叉口宽度以及物理中央分隔带对骑行者发 生闯红灯行为影响显著。因此,骑行者闯红灯行为预测模型选择上述影响因素作为自变 量,建立如下的考虑车辆类型和组群的骑行者闯红灯行为预测模型:
U闯红灯=-0.81+0.92×X电动自行车+2.29×X1人组群+1.55×X2至4人组群
-1.41×X多于8人组群+1.13×X男性+0.78×X25岁以下-1.96×X60岁及以上
-0.52×X载运旅客或货物+0.03×X骑行者数量-0.08×X机动车数量
+4.19×X倒计时-0.15×X交叉口宽度+1.94×X物理中央分隔带(1)
其中U闯红灯是骑行者闯红灯行为的效用;X电动自行车是车辆类型,如果是电动自行车则X电动自行车=1,否则X电动自行车=0;X1人组群是骑行者是否属于1人组群,如果属于1 人组群则X1人组群=1,否则X1人组群=0;X2至4人组群是骑行者是否属于2至4人组群, 如果属于2至4人组群则X2至4人组群=1,否则X2至4人组群=0;X多于8人组群是骑行者 是否属于多于8人组群,如果属于8人组群则X多于8人组群=1,否则X多于8人组群=0; X男性是骑行者是否是男性,如果是男性则X男性=1,否则X男性=0;X25岁以下是骑行者 年龄是否在25岁以下,如果是则X25岁以下=1,否则X25岁以下=0;X60岁及以上是骑行 者年龄是否在60岁及以上,如果是则X60岁及以上=1,否则X60岁及以上=0;X载运旅客或货物 是骑行者是否载运乘客或货物,如果是则X载运旅客或货物=1,否则X载运旅客或货物=0; X骑行者数量是每个信号周期内到达信号交叉口的骑行者的数量;X机动车数量是每个信号周 期内到达信号交叉口的对向机动车数量;X倒计时是信号灯是否有倒计时信息,如果信号 灯有倒计时信息则X倒计时=1,否则X倒计时=0;X交叉口宽度是信号交叉口宽度; X物理中央分隔带是机动车与非机动车车道之间是否有物理中央分隔带,如果有则 X物理中央分隔带=1,否侧X物理中央分隔带=0。
骑行者闯红灯行为发生的概率P:
通过检验组的实测数据进行骑行者闯红灯行为预测模型的精度验证,模型预测的骑 行者闯红灯行为与实际调查的骑行者闯红灯行为偏差较小,证明模型的适用性和有效性, 部分预测数据如表1所示。利用骑行者闯红灯行为预测模型,将影响因素带入模型预测骑行者闯红灯行为发生的概率,可以预测骑行者闯红灯行为是否发生,用于信号交叉口 非机动车交通安全评价。
表1实施例的实际观测和模型预测的骑行者发生闯红灯行为
本发明考虑自行车类型和骑行者组群的影响,结合骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征,采用随机参数逻辑模型,挖掘骑行者闯红灯行为发 生机理,建立考虑车辆类型和组群的骑行者闯红灯行为模型,预测平面信号交叉口骑行 者闯红灯行为发生概率。
应当指出,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,对于 本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也在本申请权利要求的保护范围内。
Claims (8)
1.考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,其特征在于,包括以下步骤:
步骤1,采集平面信号交叉口的视频信息,若骑行者在红灯时间段内越过了进口道停车线,则被认为发生闯红灯行为;
步骤2,在步骤1的视频中,平面信号交叉口进口道停车线上游的指定位置设置一条参考线,如果相邻两辆非机动车通过所述参考线的车头时距小于设定时间阈值,则认为这两辆非机动车对应的骑行者属于同一个组群,否则属于不同组群;
步骤3,从步骤1和步骤2的视频信息中,收集车辆类型、骑行者组群、骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征作为影响因素;
步骤4,基于随机参数逻辑模型,建立考虑车辆类型和组群的骑行者闯红灯行为预测模型;
步骤5,利用步骤4中建立的考虑车辆类型和组群的骑行者闯红灯行为模型,预测骑行者闯红灯行为发生的概率。
2.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,其特征在于,步骤1中,通过两台摄像机采集平面信号交叉口的视频信息,其中一台架设在平面信号交叉口附近的高楼上,拍摄信号交叉口机动车、非机动车、行人在交叉口内部的运动情况;另一台架设在非机动车进口道附近,拍摄骑行者个人特征、骑行行为、进入信号交叉口的信号时间以及信号相位变化情况。
3.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,其特征在于,步骤2中将骑行者组群按照人数分为四组:1人组群,2人至4人组群,5人至8人组群和多于8人组群。
4.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,其特征在于,步骤3中,车辆类型包括电动自行车、传统自行车,骑行者个人特征包括性别、年龄,交通流特征包括机动车和非机动车流量,信号交叉口几何特征包括信号交叉口宽度、中央分隔带类型,信号控制信息包括倒计时信号控制、绿信比。
5.如权利要求4所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,其特征在于,骑行者个人特征中性别分为男性和女性,年龄分为25岁以下、25岁至59岁、60岁及以上三种类型;非机动车流量是每个信号周期内到达信号交叉口的非机动车数量,机动车流量是每个信号周期内到达信号交叉口的对向机动车数量;信号控制信息包括是否倒计时信号控制、信号周期时间、绿灯时间和红灯时间。
6.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,其特征在于,步骤4中,将骑行者是否发生闯红灯行为作为随机参数逻辑模型的因变量,将步骤3中的影响因素作为随机参数逻辑模型的自变量;把影响因素带入随机参数逻辑模型中,采用逐步回归方法,逐一检验影响因素显著性,保留小于等于设定阈值的显著的影响因素,去除大于设定阈值的不显著的影响因素,建立考虑车辆类型和组群的骑行者闯红灯行为预测模型:
8.如权利要求6所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法,其特征在于,设定阈值为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110864477.4A CN113724492A (zh) | 2021-07-29 | 2021-07-29 | 考虑车辆类型和组群的骑行者闯红灯行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110864477.4A CN113724492A (zh) | 2021-07-29 | 2021-07-29 | 考虑车辆类型和组群的骑行者闯红灯行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724492A true CN113724492A (zh) | 2021-11-30 |
Family
ID=78674287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110864477.4A Pending CN113724492A (zh) | 2021-07-29 | 2021-07-29 | 考虑车辆类型和组群的骑行者闯红灯行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724492A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 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 |
CN107665581A (zh) * | 2017-09-30 | 2018-02-06 | 吉林大学 | 考虑汇入车流的干道车队判别方法 |
CN110379169A (zh) * | 2019-03-21 | 2019-10-25 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
CN111846046A (zh) * | 2019-04-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种单车安全检测的系统、方法及装置 |
CN111951548A (zh) * | 2020-07-30 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种车辆驾驶风险确定方法、装置、系统及介质 |
CN112863173A (zh) * | 2020-12-31 | 2021-05-28 | 东南大学 | 一种判定信号交叉口非现场执法设备对非机动车违规过街数量影响的方法 |
-
2021
- 2021-07-29 CN CN202110864477.4A patent/CN113724492A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 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 |
CN107665581A (zh) * | 2017-09-30 | 2018-02-06 | 吉林大学 | 考虑汇入车流的干道车队判别方法 |
CN110379169A (zh) * | 2019-03-21 | 2019-10-25 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
CN111846046A (zh) * | 2019-04-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种单车安全检测的系统、方法及装置 |
CN111951548A (zh) * | 2020-07-30 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种车辆驾驶风险确定方法、装置、系统及介质 |
CN112863173A (zh) * | 2020-12-31 | 2021-05-28 | 东南大学 | 一种判定信号交叉口非现场执法设备对非机动车违规过街数量影响的方法 |
Non-Patent Citations (3)
Title |
---|
柏璐: "城市道路电动自行车交通特性与安全影响研究", 《中国博士学位论文全文数据库》 * |
王雪松等: "信号控制交叉口助动车违章特征与影响因素分析", 《城市交通》 * |
陈亦新等: "信号交叉口个体行人与群体行人过街闯红灯行为分析", 《科学技术与工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nama et al. | Machine learning‐based traffic scheduling techniques for intelligent transportation system: Opportunities and challenges | |
CN108846514B (zh) | 一种突发事件下轨道交通客流疏散需求预测方法 | |
CN110675629A (zh) | 一种基于大数据的高速公路拥堵预测与主动防控方法 | |
Oskarbski et al. | Analysis of signalized intersections in the context of pedestrian traffic | |
CN105931309A (zh) | 智能etc和mtc混合车道系统及其收费方法 | |
CN114419924B (zh) | 一种基于智慧城市的ai应用控制管理系统 | |
Yan et al. | The application of edge computing technology in the collaborative optimization of intelligent transportation system based on information physical fusion | |
CN104766134A (zh) | 在运营中断下进行城市轨道交通乘客出行诱导系统及其应用 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN109816978B (zh) | 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法 | |
CN112785840B (zh) | 一种城市智能交通计算机控制系统及方法 | |
Mohammadi et al. | User throughput optimization for signalized intersection in a connected vehicle environment | |
Behruz et al. | Challenges of implementation of intelligent transportation systems in developing countries: case study–Tehran | |
Ayuningtyas et al. | Network Analysis of Intercity Bus Terminal and Inner-City Toll Road Development–The Case of Bandung City | |
CN113724492A (zh) | 考虑车辆类型和组群的骑行者闯红灯行为预测方法 | |
Das et al. | Smart urban traffic management system | |
CN115294791A (zh) | 一种智慧城市用智能交通引导系统 | |
Sakr et al. | Intelligent Traffic Management Systems: A review | |
Makhloga | IMPROVING INDIA’S TRAFFIC MANAGEMENT USING INTELLIGENT TRANSPORTATION SYSTEMS | |
Li | High-resolution data-based methods for arterial traffic volume estimation | |
Moroni et al. | Smart cities monitoring through wireless smart cameras | |
CN114170804B (zh) | 一种基于车路协同的交叉口最优车速引导方法及系统 | |
Advani et al. | Gradual sustainability approach for urban transport through subtle measures | |
CN111798663B (zh) | 一种路网关键路段辨识方法 | |
CN113379936B (zh) | 一种省市级公路费用计算方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211130 |
|
RJ01 | Rejection of invention patent application after publication |