CN113743204A - 一种基于感知需求的高速公路传感设备选型及优化布局方法 - Google Patents
一种基于感知需求的高速公路传感设备选型及优化布局方法 Download PDFInfo
- Publication number
- CN113743204A CN113743204A CN202110860317.2A CN202110860317A CN113743204A CN 113743204 A CN113743204 A CN 113743204A CN 202110860317 A CN202110860317 A CN 202110860317A CN 113743204 A CN113743204 A CN 113743204A
- Authority
- CN
- China
- Prior art keywords
- sensor
- sensing
- layout
- information
- calculating
- 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
Links
- 230000008447 perception Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 7
- 241000287196 Asthenes Species 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于感知需求的高速公路传感设备选型及优化布局方法。本发明针对智慧高速公路背景下的交通信息检测需求,研究检测设备选型及优化布设的方法,为设计人员进行传感网布设提供决策支持,提高设计合理性、节约布设成本,实现智慧高速公路道路运行状态的精准全息感知。该方法主要分为传感器选型和传感设备优化布局两个环节,其中传感器选型是将满足高速公路管理单位对感知参数需求、感知参数精度、可靠性等需要的传感设备组合选择出来;传感设备优化布局则将选择出来的传感设备布设到关键路段上,并对布设间距进行参数优化,最终计算符合条件的感知设备最佳布设间距及最低成本,节约资源的同时,实现高速公路交通状态的全息感知。
Description
技术领域
本发明属于交通设施设计领域,涉及高速公路感知设施选型及布局的技术,在满足感知需求的基础上将设备布设成本控制在最优的传感网优化布局新方法。
背景技术
随着交通强国和新基建战略的推进、智慧城市和车路协同技术的发展,智慧高速公路逐渐成为大数据时代的高速公路新形态,传统高速公路传感设施大部分服务于公安交管用于高速公路监控和违法处罚,对于交通流数据的获取需求较少。新技术背景下智慧高速公路以管理和服务为导向,强调对数据的应用和发布。为满足车路智慧交互场景的应用,一方面需要实时获取海量的交通流动态数据和道路运行环境数据,实现路网断面和纵剖面的交通信息要素全天候实时监测。另一方面还要保障数据获得的可靠性和准确性。目前,高速管理部门采用了许多新型的检测设备,如激光雷达、毫米波雷达、雷视一体机、气象检测器等,期望通过新型检测设备来丰富检测内容,提高数据检测的精度和可靠性,但由于设计人员在选择传感器类型以及如何布设传感器方面极易因主管因素造成传感器类型选择不当、传感器布设不足或过多,耗费大量费用且不能满足对高速应用场景的支撑。因此,亟需进行优化布设方法的设计,并结合设备性能、布设条件和需求提供给设计人员可便捷支持道路设计的方案,实现成本节约的同时,提高高速公路全息泛在监控的能力。
发明内容
为解决上述问题,本发明的目的是提出一种高速公路传感设备选型及选址布设的新方法,针对智慧高速公路背景下的交通信息检测需求,研究检测设备选型及优化布设的方法,为设计人员进行传感网布设提供决策支持,提高设计合理性、节约布设成本,实现智慧高速公路道路运行状态的精准全息感知。
为实现上述目的,本发明采用以下技术方案:
步骤一、传感设备感知需求条件的确定:
1、明确高速公路管理部门感知信息需求,公式表示为:D={T1,T2,T3,…,Tm};
2、明确传感器可检测信息,公式表示为:Sn={T1,T2,T3,…,Tm};
3、求解高速公路管理部门感知信息需求与传感器可检测信息交集,确定该传感器是否被选择,可表示为:
其中n表示n类传感器,1表示该传感器被选择,0表示该传感器未被选择。
步骤二、传感设备组合感知需求条件的确定:
1、由于传感器种类不同,有时选择一类传感器并不能满足所有感知信息需求,需进行多类传感器组合选型条件的约束;
步骤三、传感设备组合感知精度需求的确定:
1、传感器感知需求信息满足后,还需满足高速公路管理部门对感知信息精度的需求;
2、假设已知该关键节点信息感知需求集合为:D={T1,T2,T3,T4,…,Tm},各信息相对应的精度需求集合为:P={P1,P2,P3,...,Pm},又知第n1类传感器各感知参数对应的精度为若n1类传感器感知参数精度满足需求,则集合内对应项为1,若不满足需求,则集合内对应项为0,公式化表示为为保证所有感知设备中,至少有一种设备可满足精度需求,且第nn类传感器的选用为则约束条件如下:
步骤四、最小成本需求:
1、建立传感器选择最小成本约束模型:考虑以成本最优为目标函数最优目标,且假设第n1类传感器的成本为Cn1,则可得目标函数为:
2、基于最小成本约束模型选择满足步骤一、二、三,且成本最小的传感器组合作为布设单位。
步骤五、基于感知需求的传感设备布设关键路段选择确定:
1、确定感知需求信息特征近似的路段集合
1)将高速公路路网进行拓扑转化,每一个收费站代表一个节点,用TSi表示,两个节点之间的路段长度用Linki表示,其中i∈p,p为研究区域收费站的个数。
2)基于欧式距离公式计算感知需求信息特征近似的路段的集合的划分阈值,用E表示;
3)根据E的值用k-means进行聚类,计算得到k个路段集的阈值,即具有相同特征的路段被划分到同一个路段集中,传感器只需布设到每个路段集中最具观察意义的路段中。
2、关键路段选择
1)计算路段集合中所有路段的相关性;
2)计算路段集中所有路段的相关系数的权重Wi;
3)选择权重最大的路段作为传感设备布设的关键路段;
步骤六、传感网设备布局间距修正
1、计算交通量修正系数fFL;
2、计算交通速度修正系数fSP;
3、计算隧道修正系数fTU;
4、计算桥梁修正系数fBR;
5、计算曲率修正系数fr;
6、计算纵坡修正系数fPG;
7、计算出入口间距修正系数fBS
8、计算感知设备布设间距,公式为:
D=DB*fFL*fSP*fTU*fBR*fr*fPG*fES
其中,DB为传感器感知最大距离。
9、计算设备总布设成本:
Cn1:表示传感器n1的成本;
k表示研究区域中的k个路段集;
q表示每个路段集中所包含的路段数
D为修正后的布设间距。
附图说明
图1.发明流程框图
图2关键路段选择流程图
图3曲线路段感知设备监控范围示意图
图4手肘法取k值示意图
图5各种相邻出、入口之间的距离
图6高速公路路网拓扑图
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
本发明流程框图如图1所示,该方法主要分为传感器选型和传感设备优化布局两个环节,其中传感器选型是将满足高速公路管理单位对感知参数需求、精度需求、最低成本需求的传感设备或组合选择出来;传感设备优化布局则将选择出来的传感设备布设到关键路段上,并对布设间距进行参数优化,最终计算符合条件的感知设备最佳布设间距以及总成本。
下面通过实例详细描述本发明具体实施过程。
具体执行步骤如下:
步骤一、传感设备感知需求条件的确定:
交通状态信息感知集合包括:{流量,密度,速度,车道占有率,车速,车头时距,…,车型,车长,排队长度},采用公式形式可表示:{T1,T2,T3,…,Tm},其中,T1,T2,T3,…,Tm分别表示传感器设施可检测的交通状态信息。若n类传感器可感知T1,T3,则其感知集合即为Sn={T1,T3}。
交通状态需求信息感知集合由高速公路运营管理单位确定,若高速公路运营管理单位的实际需求为:T1,T2,T3,T4,…,Tm,则可得,交通状态需求信息感知集合为:D={T1,T2,T3,T4,…,Tm}。
假设n类传感器是否被选用用Sdn表示,则可列约束条件如下:
其中n表示n类传感器,1表示该传感器被选择,0表示该传感器未被选择。
案例:假设高速公路运营管理单位对该关键调查点的交通状态信息感知需求为{流量,速度},n1类传感器可测量量为{流量,密度},n2类传感器可测量量为{流量,速度},n3类传感器可测量量为{速度,车型},则由公式可得:
三个检测器都将被挑选。
步骤二、传感设备组合感知需求条件的确定:
该部分约束确定满足感知测量量需求的传感器或传感器组合,假设已知高速公路某关键节点的信息感知需求集合为:D={T1,T2,T3,T4,…,Tm},又知第n1类传感器可表示为第n1类传感器可检测量与D的交集为第n2类传感器可表示为第n2类传感器可检测量与D的交集为第nn类传感器可表示为第nn类传感器可检测量与D的交集为为保证所有信息感知需求均被至少一次被测量,则约束条件如下:
案例:假设关键调查点的交通状态信息感知需求为{流量,速度},二值公式化为{1,1};n1类传感器可测量量为{流量,密度},二值公式化为{1,0};n2类传感器可测量量为{流量,速度},二值公式化为{1,1};n3类传感器可测量量为{速度,车型},二值公式化为{0,1}。
即满足流量和速度检测需求的传感器是n1和n2组合、n1和n3组合、n2、n2和n3的组合传感器4种选择方式
步骤三、传感设备组合感知精度需求的确定:
该部分约束确定传感器需满足高速公路交通运营管理单位对该关键节点感知信息精度满足的需求,假设已知该关键节点信息感知需求集合为:D={T1,T2,T3,T4,…,Tm},各信息相对应的精度需求集合为:P={P1,P2,P3,...,Pm},又知第n1类传感器各感知参数对应的精度为若n1类传感器感知参数精度满足需求,则集合内对应项为1,若不满足需求,则集合内对应项为0,公式化表示为为保证所有感知设备中,至少有一种设备可满足精度需求,且第nn类传感器的选用为则约束条件如下:
案例:假设关键调查点的交通状态信息精度需求为{流量:中,速度:高};n1类传感器可测量精度为{流量:中,密度:中},二值公式化为{1,0};n2类传感器可测量精度为{流量:中,速度:中},二值公式化为{1,0};n3类传感器可测量量为{速度:高,车型:低},二值公式化为{0,1}。
即,满足流量和速度检测精度需求的传感器是n1和n3组合、n2和n3的组合传感器。
结合步骤一、二实例最终被选择的满足条件的传感器为:n1和n3组合、n2和n3组合。
步骤四、最小成本需求:
考虑以成本最优为目标函数最优目标,且假设第n1类传感器的成本为Cn1,则可得目标函数为:
模型约束为:
步骤一约束:
步骤二约束:
步骤三约束:
案例:假设n1检测器成本为1万,n2为2万,n3为3万,则根据步骤一、二、三案例选择检测器方案为:n1和n3组合、n2和n3组合;其成本分别为:4万和5万,因此最终n2和n3的检测器组合最终被推荐。
步骤五、基于感知需求的传感设备布设关键路段选择确定:
高速公路传感设备布局并非必须实现全覆盖,通过计算所检测感知需求信息相关性较高的路段,即在感知此信息最为重要的路段布设传感器,在保证信息采集有效性的基础上可以大幅降低传感器布设密度从而降低成本。关键路段选址流程如图2。
1、确定感知需求信息特征近似的路段集合
将高速公路路网转化为拓扑网络,设共有p个收费站,则有p-1个路段,每一个收费站代表一个节点,用TSi表示,两个节点之间的路段长度用Linki表示,其中i∈p,如图3。
由于路段间感知参数的变化趋势不尽相同,因此应对感知参数变化趋势近似的路段建立路段集,仅需在该路段集中感知参数相关系数最大的路段布设传感设备即可;
首先利用聚类的方法对计算路段感知参数近似性阈值,通过阈值划分路段集具体步骤如下:
(1)计算研究区域内某路段与其他路段所需感知参数的欧式距离以衡量路段见的近似性;
式中:Mm为M路段在当月m感知参数的日平均值,M∈p-1;
Nm为N路段在当月m感知参数的日平均值,N∈p-1;
m为该路段所需感知的参数个数;
Ei为M路段与N路段所需感知参数的近似性,该参数越大两路段间约相似。
(2)根据E的值用k-means进行聚类,计算得到k个路段集的阈值:
Step2:对于每个样本Ei,将其标记为距离类别中心最近的类别,即:
Step3:将每个类别中心更新为隶属该类别的所有样本的均值;
cj为每一个类别所含样本的数目(路段集中路段数),xi为每一个类别中的样本(路段集中的路段)。
Step5:将k0取不同的值,重复上述步骤,,使用手肘法确定k0的最佳取值更新为k,当SSE与k的曲线呈现拐点时,取拐点值即为k的取值,如图4所示:
其中,Ci是第i个类别,x是Ci中的样本点,i∈k。
2、关键路段选择
本部分将从k个感知参数近似的路段集的每个路段集中选取相关系数权重最大的路段布设检测器,假设每个路段集中有q个路段。
计算感知参数近似的路段集中各路段相关权重系数:对于感知参数近似的路段集,计算其包含的各路段的相关系数的权重。如下式所示。选取权重最大的路段设置传感器设施。
式中:Wi:感知参数近似的路段集中路段i的权重;
RMN:感知参数近似的路段集中路段M和路段N的感知参数相关系数;
n:感知参数近似的路段集中包含的路段数;
cov(Mi,Ni):感知参数近似的路段集中M路段和N路段感知参数j的协方差;
Var[Mi]:感知参数近似的路段集中M路段感知参数j的方差;
Var[Nj]:感知参数近似的路段集中N路段感知参数j的方差;
LinkWi:感知参数近似的路段集中权重为Wi路段的长度,Linki在步骤五确定感知需求信息特征近似的路段集合中被定义。
步骤六、传感网设备布局间距修正
选址间距的基础值是传感设备组合直线段可检测参数范围,在基础值确定后,考虑交通量修正系数、交通速度修正系数、桥隧修正系数、平均曲率修正系数、平均坡长修正系数、出入口平均间距修正系数,确定传感设备选址的平均间距。各系数的确定方法如下。
1、交通量修正系数
交通量大的路段发生交通事故的可能性较大,结合通行能力和设计交通量,确定了交通量的修正系数。
式中:
CB—道路基本通行能力(pcu/h);
C—道路设计通行能力(pcu/h);
fFL—交通量修正系数。
2、交通速度修正系数
速度大的路段发生交通事故的可能性较大,结合该路段年平均日速度和最大限速,确定了交通速度的修正系数。
fSP=DS/DSmax
式中:DSmax—道路最大设计限速,DSmax=120km/h;
DS—年平均日速度(km/h);
fSP—交通速度修正系数;
vi—一年内某日的车辆在该路段行驶的平均速度
3、隧道修正系数
根据《高速公路监控系统技术要求》,对于特长隧道,宜布设视频车检系统。监控摄像机布设原则提到中长隧道入口处、出口处的摄像机布设位置宜在距隧道入口处、出口处,摄像机应加密布设,保证无监视盲区。
隧道段修正系数如表:
表1隧道段修正系数
直线段隧道 | 曲线段隧道 | |
f<sub>TU</sub> | 0.3 | 0.2 |
4、桥梁修正系数
由于隧道照明条件有限,且隧道内部结构特点较为复杂,如果发生事故会对隧道的内部结构有较为严重的破坏,因此隧道内部传感器设置应该加密。桥梁的光照与普通高速道路不存在差异,但是结构特征相比较普通公路较为复杂,因此传感器布局应适当加密。
桥梁段修正系数如表:
表2桥梁段修正系数
直线段桥梁 | 曲线段桥梁 | |
f<sub>BR</sub> | 0.6 | 0.4 |
5、曲率修正系数
现实道路存在弯曲的现象,曲率则是用来刻画道路弯曲程度的数值。感知设备在直线段上的监控范围和曲线段上的监控范围不同。
如图5,感知设备监控范围角度为β;摄像机直线监控距离为m(默认500米);平均曲率值为α/S=cur;弧长公式为S=θR;圆弧半径R=1/cur;弧长公式S=β/cur。
曲率修正系数为fr=β/(m*cur)。
6、纵坡修正系数
高速公路各路段的纵坡坡长不尽相同,因此传感器的布设需考虑道路的纵坡坡长。首先将每一个有坡度的道路视为一个基本单元,其次考虑坡长的平均长度。如果坡长的平均值大于基础值,则加密传感器的布设;如果坡长的平均值小于基础值,则按照基础值进行传感器的布设。
fPG=LGL/DB
式中:DB—传感器理想布设间距,DB=基础值,根据传感器感知参数范围取值;
LGL—平均坡长,根据实际平均坡长取值;
fPG—平均坡长修正系数。
表3平均坡长修正系数
平均坡长>基础值 | 平均坡长<基础值 | |
f<sub>PG</sub> | L<sub>GL</sub>/D<sub>B</sub> | 1 |
7、出入口间距修正系数
根据公路路线设计规范(JTG D20-2017)中相邻出、入口的间距规定,高速公路上的各个相邻出口或入口之间、匝道上相邻出口或入口之间、主线上的出口至前方相邻入口之间(如图6)的距离应不小于下表所列之值。
表4高速公路相邻出、入口最小间距
取L1型120km/h限速的一般值作为基础值,即取400米作为基础值,若平均间距小于400米,出入口间距修正系数fES=Laverage/Lbase;若平均间距大于400米,出入口间距修正系数值为1。
其中:
Laverage:平均出入口间距;
Lbase:基础值。
综述:
根据上述关于修正间距的计算方法,可得选址间距的输入参数包括:
表5选址间距的输入参数
修正间距计算公式为选址间距计算公式为为:
D=DB*fFL*fSP*fTU*fBR*fr*fPG*fES
其中,D为修正后的设备布设间距。
因此,设备总布设成本可表示为:
Cn1:表示传感器n1的成本;
k表示研究区域中的k个路段集;
q表示每个路段集中所包含的路段数;
D为修正后的布设间距。
Claims (1)
1.一种基于感知需求的高速公路传感设备选型及优化布局方法,其特征在于,包括以下流程:
步骤一、传感设备感知需求条件的确定:
1.1、明确高速公路管理部门感知信息需求,公式表示为:D={T1,T2,T3,…,Tm};
1.2)、明确传感器可检测信息,公式表示为:Sn={T1,T2,T3,…,Tm};
1.3、求解高速公路管理部门感知信息需求与传感器可检测信息交集,确定该传感器是否被选择,表示为:
其中n表示n类传感器,1表示该传感器被选择,0表示未被选择;
步骤二、传感设备组合感知需求条件的确定:
2.1、由于传感器种类不同,选择有时选择一类传感器并不能满足所有感知信息需求,需进行多类传感器组合选型条件的约束;
步骤三、传感设备组合感知精度需求的确定:
3.1、传感器感知需求信息满足后,还需满足高速公路管理部门对感知信息精度的需求;
3.2、假设已知该关键节点信息感知需求集合为:D={T1,T2,T3,T4,…,Tm},各信息相对应的精度需求集合为:P={P1,P2,P3,...,Pm},又知第n1类传感器各感知参数对应的精度为若n1类传感器感知参数精度满足需求,则集合内对应项为1,若不满足需求,则集合内对应项为0,公式化表示为为保证所有感知设备中,至少有一种设备可满足精度需求,且第nn类传感器的选用为则约束条件如下:
步骤四、最小成本需求:
4.1、建立传感器选择最小成本约束模型:考虑以成本最优为目标函数最优目标,且假设第n1类传感器的成本为Cn1,则可得目标函数为:
4.2、基于最小成本约束模型选择满足步骤一、二、三,且成本最小的传感器组合作为布设单位;
步骤五、基于感知需求的传感设备布设关键路段选择确定:
5.1、确定感知需求信息特征近似的路段集合
5.1.1)将高速公路路网进行拓扑转化,每一个收费站代表一个节点,用TSi表示,两个节点之间的路段长度用Linki表示,其中i∈p;
5.1.2)基于欧式距离公式计算感知需求信息特征近似的路段的集合的划分阈值,用Ei表示;
5.1.3)根据E的值用k-means进行聚类,计算得到k个路段集的阈值,即具有相同特征的路段被划分到同一个路段集中,传感器只需布设到每个路段集中最具观察意义的路段中;
5.2、关键路段选择
5.2.1)计算路段集合中所有路段的相关性;
5.2.2)计算路段集中所有路段的相关系数的权重Wi;
5.2.3)选择权重最大的路段作为传感设备布设的关键路段;
步骤六、传感网设备布局间距修正
计算交通量修正系数fFL;
计算交通速度修正系数fSP;
计算隧道修正系数fTU;
计算桥梁修正系数fBR;
计算曲率修正系数fr;
计算纵坡修正系数fPG;
计算出入口间距修正系数fBS
计算感知设备布设间距,公式为:
D=DB*fFL*fSP*fTU*fBR*fr*fPG*fES
其中,DB为传感器感知最大距离;
计算设备总布设成本:
Cn1:表示传感器n1的成本;
k表示研究区域中的k个路段集;
q表示每个路段集中所包含的路段数;
D为修正后的布设间距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860317.2A CN113743204B (zh) | 2021-07-29 | 2021-07-29 | 一种基于感知需求的高速公路传感设备选型及优化布局方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860317.2A CN113743204B (zh) | 2021-07-29 | 2021-07-29 | 一种基于感知需求的高速公路传感设备选型及优化布局方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743204A true CN113743204A (zh) | 2021-12-03 |
CN113743204B CN113743204B (zh) | 2024-04-19 |
Family
ID=78729442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110860317.2A Active CN113743204B (zh) | 2021-07-29 | 2021-07-29 | 一种基于感知需求的高速公路传感设备选型及优化布局方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743204B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172035A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 考虑价值和成本博弈的高速公路交通信息检测器布设方法 |
CN117294643A (zh) * | 2023-11-24 | 2023-12-26 | 南京邮电大学 | 一种基于SDN架构的网络QoS保障路由方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739822A (zh) * | 2009-03-11 | 2010-06-16 | 北京交通大学 | 区域交通状态获取的传感器网络配置方法 |
CN105427004A (zh) * | 2016-01-06 | 2016-03-23 | 北京工业大学 | 一种快速路网交通传感网络的优化布设方法 |
CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性的短时交通流预测方法 |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
US20200327631A1 (en) * | 2019-04-11 | 2020-10-15 | Ioan Druta | System and method for a global, multi-criteria and multi-stage optimization of programs of works and budgets in public roads administrations |
-
2021
- 2021-07-29 CN CN202110860317.2A patent/CN113743204B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739822A (zh) * | 2009-03-11 | 2010-06-16 | 北京交通大学 | 区域交通状态获取的传感器网络配置方法 |
CN105427004A (zh) * | 2016-01-06 | 2016-03-23 | 北京工业大学 | 一种快速路网交通传感网络的优化布设方法 |
CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性的短时交通流预测方法 |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
US20200327631A1 (en) * | 2019-04-11 | 2020-10-15 | Ioan Druta | System and method for a global, multi-criteria and multi-stage optimization of programs of works and budgets in public roads administrations |
Non-Patent Citations (2)
Title |
---|
李海舰;董宏辉;贾利民;徐东伟;胡月;: "新测度下交通传感器布局的建模与优化", 华南理工大学学报(自然科学版), no. 04, 15 April 2013 (2013-04-15) * |
陈雨人;郑仕文;童世鑫;张翔;: "区域高速公路网络交通事件传感器布设方法研究", 公路交通科技, no. 11, 15 November 2010 (2010-11-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172035A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 考虑价值和成本博弈的高速公路交通信息检测器布设方法 |
CN117294643A (zh) * | 2023-11-24 | 2023-12-26 | 南京邮电大学 | 一种基于SDN架构的网络QoS保障路由方法 |
CN117294643B (zh) * | 2023-11-24 | 2024-03-12 | 南京邮电大学 | 一种基于SDN架构的网络QoS保障路由方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743204B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN113743204A (zh) | 一种基于感知需求的高速公路传感设备选型及优化布局方法 | |
CN104778835B (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN106971536A (zh) | 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 | |
CN101706996A (zh) | 一种基于信息融合的高速公路交通状态识别方法 | |
CN103593976A (zh) | 基于检测器确定道路交通状态的方法及系统 | |
CN102436740A (zh) | 一种高速公路交通事件自动检测方法 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN103903436A (zh) | 一种基于浮动车的高速公路交通拥堵检测方法和系统 | |
Biswas et al. | Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis | |
CN105046959A (zh) | 基于双窗口滑动匹配机制的城市道路行程时间提取方法 | |
Pei et al. | Method for identifying the traffic congestion situation of the main road in cold-climate cities based on the clustering analysis algorithm | |
CN107066501B (zh) | 一种基于道路相似性的机动车尾气遥测设备布点方法 | |
Xu et al. | Analysis of the spatiotemporal expansion and pattern evolution of urban areas in Anhui Province, China, based on nighttime light data | |
CN117236078A (zh) | 一种基于双层约束的高速公路交通检测器布设方法 | |
CN105046958A (zh) | 一种高速公路交通信息采集点非等距优化布局方法 | |
CN117334042A (zh) | 一种基于人工智能的智慧交通管理系统及方法 | |
CN117218836A (zh) | 一种基于智慧城市的城市规划项目综合管理信息平台 | |
CN113284340B (zh) | 道路交通安全分级系统 | |
CN111008730A (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN116434361A (zh) | 一种基于etc交易数据的高速公路拥堵识别方法 | |
Cho et al. | Forecasting train travel times at at-grade crossings | |
Mussone et al. | A neural network approach to motorway OD matrix estimation from loop counts |
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 |