CN113763708B - 一种基于交通仿真的多类型专用道控制方法 - Google Patents
一种基于交通仿真的多类型专用道控制方法 Download PDFInfo
- Publication number
- CN113763708B CN113763708B CN202110960472.1A CN202110960472A CN113763708B CN 113763708 B CN113763708 B CN 113763708B CN 202110960472 A CN202110960472 A CN 202110960472A CN 113763708 B CN113763708 B CN 113763708B
- Authority
- CN
- China
- Prior art keywords
- lane
- index
- control strategy
- traffic
- strategy
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011217 control strategy Methods 0.000 claims abstract description 101
- 238000005265 energy consumption Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation 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
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通仿真的多类型专用道控制方法,包括获取道路交通基本信息;设定多类型专用道的参照策略S 0;确定多类型专用道的所有控制策略集合S;再根据道路交通基本信息,利用交通仿真系统模拟所有多类型专用道控制策略下的交通场景,预测所有车道的交通流运行状态,最后计算每种多类型专用控制策略的综合效能提升程度,确定最优控制策略。该方法综合考虑所有多类型专用道控制策略以及道路交通综合效能,输出的最优控制策略更为准确科学,能够有效提升未来交通系统的智慧化水平。
Description
技术领域
本发明涉及智能交通控制领域,特别是一种基于交通仿真的多类型专用道控制方法。
背景技术
专用道是指规定只允许某种车辆行驶或只限某种用途使用的车道,较为常见的是公交车专用道。当专用道设置合理,能够实现提高运行速度、降低事故风险、节能减排等效果,反之,会降低交通系统运行效能,破坏道路资源分配的公平性。
随着物联网和计算机技术的飞速发展,智能汽车的发展突飞猛进。智能汽车旨在通过增强安全性,优化路线,减少污染并提高可用性来改善交通基础设施。当智能车辆的交通需求日益增长,与手动驾驶车辆混行时,将对高速公路的通行能力和交通安全造成严重影响。专用道能够为智能车辆或手动驾驶车辆构建独立行驶空间,减少两者冲突,降低两者的相互干扰,充分发挥智能车辆可观、可控、低延时、高稳定性等优势,进而提升道路设施的通行效率和交通安全。
然而,如何基于效率、安全、能耗、排放,进行综合效能评价,如何确定最优的多类型专用道的控制策略,却少有研究。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,而提供一种基于交通仿真的多类型专用道控制方法,该基于交通仿真的多类型专用道控制方法获取道路交通基本信息,设定多类型专用道属性矩阵和限速矩阵,确定所有多类型专用道控制策略和参照策略,再利用交通仿真系统模拟所有多类型专用道控制策略下的交通场景,预测所有车道的交通流运行状态,最后基于效率、安全、能耗、排放指标,计算每种多类型专用控制策略的综合效能提升程度,确定最优控制策略,进而提高道路交通系统的服务水平。
为解决上述技术问题,本发明采用的技术方案是:
一种基于交通仿真的多类型专用道控制方法,包括如下步骤。
步骤1、获取道路交通基本信息:获取多类型专用道的道路交通基本信息;其中,道路交通基本信息包括智能车辆流量QCAV、手动驾驶车辆流量QMDV、智能车辆的平均车头时距TCAV、手动驾驶车辆的平均车头时距TMDV、路段车道最高限速vmax、路段长度L、道路宽度W、车道数量N。
步骤2、设定多类型专用道的参照策略S0:根据步骤1中获取的智能车辆流量QCAV和手动驾驶车辆流量QMDV,设定多类型专用道的参照策略S0。
步骤3、确定多类型专用道的所有控制策略集合S:其中,所有控制策略集合S={S1,S2,S3,……Sm,……,SM};其中,m=1、2、3、……、M;M为所有控制策略的总数量,具体根据步骤1获取的车道数量N和路段车道最高限速vmax进行确定。
步骤4、预测所有车道的交通流运行状态,具体包括如下步骤。
步骤4A、预测参照策略S0下所有车道的交通流运行状态:根据步骤1获取的道路交通基本信息,利用交通仿真系统模拟参照策略S0下的交通场景,预测参照策略S0下所有车道的交通流运行状态;参照策略S0下所有车道的交通流运行状态包括第k车道内车辆总数在统计时段内第i辆车在第k车道内被统计的次数第k车道内第i辆车的平均速度第k车道内第i辆车在t时刻的加速度和第k车道内第i辆车在t时刻的车头时距其中,1≤k≤N。
步骤4B、预测所有控制策略集合S中第m种控制策略Sm下所有车道的交通流运行状态:根据步骤1获取的道路交通基本信息,利用交通仿真系统模拟控制策略Sm下的交通场景,预测控制策略Sm下所有车道的交通流运行状态;控制策略Sm下所有车道的交通流运行状态包括第k车道内车辆总数在统计时段内第i辆车在第k车道内被统计的次数第k车道内第i辆车的平均速度第k车道内第i辆车在t时刻的加速度和第k车道内第i辆车在t时刻的车头时距其中,1≤k≤N。
步骤5、分车道统计效率、安全、能耗、排放指标,具体包括如下步骤。
步骤5A、分车道统计参照策略S0下的效率、安全、能耗、排放指标,具体为:
步骤5B、分车道统计所有控制策略集合S中第m种控制策略Sm下的效率、安全、能耗、排放指标,具体为:
步骤6、计算所有控制策略集合S中第m种控制策略Sm下的效率、安全、能耗、排放指标提升程度:将步骤5B获取的效率指标安全指标能耗指标和排放指标分别与步骤5A获取的效率指标安全指标能耗指标和排放指标相比较,得到控制策略Sm下的效率指标提升程度UE,m、安全指标提升程度US,m、能耗指标提升程度UF,m和排放指标提升程度UP,m。
步骤7、计算所有控制策略集合S中第m种控制策略Sm的综合效能提升程度Um,具体计算公式为:
Um=wEUE,m+wSUS,m+wFUF,m+wPUP,m
式中,wE、wS、wF和wP分别为效率指标、安全指标、能耗指标、排放指标的权重系数。
步骤8、确定最优控制策略:按照步骤7的方法,对所有控制策略集合S中的每一种控制策略,均计算对应的综合效能提升程度,共得到M个综合效能提升程度数据;将M个综合效能提升程度数据进行降序排序,将排在第一位的综合效能提升程度数据对应的控制策略确定为最优控制策略。
步骤2中,多类型专用道参照策略S0={A0,B0},其中,A0和B0的具体设定方法为:
步骤2A、当QCAV≥0.8QMDV时,且B0=(vmax、vmax、…、vmax)T;矩阵A0中,共N行,且行号对应车道号;第1列表示智能车辆专用道,第2列表示混合车道,第3列表示手动驾驶车辆专用道;元素0表示不设置专用道,元素1表示设置专用道;矩阵B0中,共N行,且行号对应车道号。
步骤3中,控制策略Sm={Am,Bm},其中,Am和Bm的表达式分别为:
amk1+amk2+amk3=1且amk1={0,1},amk2={0,1},amk3={0,1}
Bm=(bm1、bm2、…、bmk、…、bN)T
Am中的元素0表示不设置专用道,元素1表示设置专用道;Am中第1列表示智能车辆专用道,第2列表示混合车道,第3列表示手动驾驶车辆专用道。
Bm中元素bmk表示控制策略Sm下车道k的限速,取值范围为(0,vmax],且为10的整数倍。
步骤3中,所有控制策略的总数量M的计算公式为:
M=(3N-1)·hN
式中,h为多类型专用道中车辆速度v的可能取值个数,车辆速度v的取值范围为[vmin,vmax],且为10的整数倍,其中vmin为多类型专用道的最低限速。
其中:
式中,j表示在统计时段内第i辆车在第k车道内被统计次数的次序号;表示参照策略S0下车道k内车辆i在t时刻的车头时距评价值;表示参照策略S0下车道k内车辆i在t时刻的加速度评价值;表示参照策略S0下车道k内车头时距阈值。
步骤6中,效率指标提升程度UE,m、安全指标提升程度US,m、能耗指标提升程度UF,m和排放指标提升程度UP,m的计算公式分别为:
式中,wk为车道k的权重系数。
步骤7中,效率指标、安全指标、能耗指标、排放指标的权重系数wE、wS、wF和wP均属于(0,1)范围内,满足wE+wS+wF+wP=1且wE+wS>0.75。
步骤4中的统计时段设为TTJ小时,则TTJ=0.5N,交通仿真系通在仿真开始前的10分钟为预热时间,不计算在统计时段内。
本发明具有如下有益效果:
本发明能弥补现有交通控制策略难以在实践中验证的不足,首先基于路段实际交通信息与交通仿真系统产生模拟的交通信息,接着综合效率、安全、能耗、排放等综合指标进行评价,确定最优的多类型专用道,从而为智慧交通系统的管理与控制提供科学有效的理论和实践基础。
附图说明
图1是本发明一种基于交通仿真的多类型专用道控制方法的流程图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
如图1所示,一种基于交通仿真的多类型专用道控制方法,包括如下步骤。
步骤1、获取道路交通基本信息:获取多类型专用道的道路交通基本信息;其中,道路交通基本信息包括智能车辆流量QCAV、手动驾驶车辆流量QMDV、智能车辆的平均车头时距TCAV、手动驾驶车辆的平均车头时距TMDV、路段车道最高限速vmax、路段长度L、道路宽度W、车道数量N。
在本实施例中,道路交通基本信息的具体值优选为:智能车辆流量QCAV=1000veh/h、手动驾驶车辆流量QMDV=2000veh/h,智能车辆的平均车头时距TCAV=1.5s、手动驾驶车辆的车头时距TMDV=2.7s、车头时距阈值为1.5s,路段最低限速vmin=60km/h、最高限速vmax=100km/h,路段长度L=10km、道路宽度W=3.75m、车道数量N=3。
步骤2、设定多类型专用道的参照策略S0:根据步骤1中获取的智能车辆流量QCAV和手动驾驶车辆流量QMDV,设定多类型专用道的参照策略S0={A0,B0},其中,A0和B0的具体设定方法为:
步骤2A、当QCAV≥0.8QMDV时,且B0=(vmax、vmax、…、vmax)T;矩阵A0中,共N行,且行号对应车道号;第1列表示智能车辆专用道,第2列表示混合车道,第3列表示手动驾驶车辆专用道;元素0表示不设置专用道,元素1表示设置专用道;矩阵B0中,共N行,且行号对应车道号。
在本实施例中,由于N=3,故而:
在本实施例中,则为:
在本实施例中,则为:
步骤3、确定多类型专用道的所有控制策略集合S:其中,所有控制策略集合S={S1,S2,S3,……Sm,……,SM};其中,m=1、2、3、……、M;M为所有控制策略的总数量,具体根据步骤1获取的车道数量N和路段车道最高限速vmax进行确定,具体计算公式为:
M=(3N-1)·hN
式中,h为多类型专用道中车辆速度v的可能取值个数,车辆速度v的取值范围为[vmin,vmax],且为10的整数倍。
在本实施例中,由于路段最低限速vmin=60km/h、最高限速vmax=100km/h;故而,车辆速度v的可能取值为60km/h、70km/h、80km/h、90km/h和100km/h,也即h=5,故而:
M=(33-1)·53=3250。
步骤3中,控制策略Sm={Am,Bm},其中,Am和Bm的表达式分别为:
amk1+amk2+amk3=1且amk1={0,1},amk2={0,1},amk3={0,1}
Bm=(bm1、bm2、…、bmk、…、bN)T
Am中的元素0表示不设置专用道,元素1表示设置专用道;Am中第1列表示智能车辆专用道,第2列表示混合车道,第3列表示手动驾驶车辆专用道。
Bm中元素bmk表示控制策略Sm下车道k的限速,取值范围为(0,vmax],且为10的整数倍。
步骤4、预测所有车道的交通流运行状态,具体包括如下步骤。
步骤4A、预测参照策略S0下所有车道的交通流运行状态
根据步骤1获取的道路交通基本信息,利用交通仿真系统模拟参照策略S0下的交通场景,预测参照策略S0下所有车道的交通流运行状态。
上述交通仿真系统为现有技术,优选型号为PTV VISSIM 2020版本,输入为道路长度L、车道数量N、车道宽度W、智能车辆流量QCAV、手动驾驶汽车流量QMDV、每车道限速vmax、每车道属性(智能车辆专用道、混合车道、手动驾驶车辆专用道);输出为每车道内每辆车的速度、加速度、车头时距。
参照策略S0下所有车道的交通流运行状态包括第k车道内车辆总数在统计时段内第i辆车在第k车道内被统计的次数第k车道内第i辆车的平均速度第k车道内第i辆车在t时刻的加速度和第k车道内第i辆车在t时刻的车头时距其中, 1≤k≤N。
上述统计时段设为TTJ小时,则优选为TTJ=0.5N=1.5小时,交通仿真系通在仿真开始前的10分钟为预热时间,不计算在统计时段内。
步骤4B、预测所有控制策略集合S中第m种控制策略Sm下所有车道的交通流运行状态:根据步骤1获取的道路交通基本信息,利用交通仿真系统模拟控制策略Sm下的交通场景,预测控制策略Sm下所有车道的交通流运行状态;控制策略Sm下所有车道的交通流运行状态包括第k车道内车辆总数在统计时段内第i辆车在第k车道内被统计的次数第k车道内第i辆车的平均速度第k车道内第i辆车在t时刻的加速度和第k车道内第i辆车在t时刻的车头时距其中,1≤k≤N。
步骤5、分车道统计效率、安全、能耗、排放指标,具体包括如下步骤。
步骤5A、分车道统计参照策略S0下的效率、安全、能耗、排放指标,具体为:
其中:
式中,j表示在统计时段内第i辆车在第k车道内被统计次数的次序号;表示参照策略S0下车道k内车辆i在t时刻的车头时距评价值;表示参照策略S0下车道k内车头时距阈值。在本实施例中,在参照策略S0下,智能车辆专用道、混合车道、手动驾驶车辆专用道的车头时距阈值优选分别为1.0s、2.0s、2.5s。
其中:
步骤5B、分车道统计所有控制策略集合S中第m种控制策略Sm下的效率、安全、能耗、排放指标,具体为:
其中:
其中:
步骤6、计算所有控制策略集合S中第m种控制策略Sm下的效率、安全、能耗、排放指标提升程度:将步骤5B获取的效率指标安全指标能耗指标和排放指标分别与步骤5A获取的效率指标安全指标能耗指标和排放指标相比较,得到控制策略Sm下的效率指标提升程度UE,m、安全指标提升程度US,m、能耗指标提升程度UF,m和排放指标提升程度UP,m,对应计算公式分别为:
在本实施例中,沿行车方向,自左往右,三车道的权重系数分别为wk1、wk2和wk3,则wk1>wk2>wk3,wk1+wk2+wk3=1且wk1-wk2=wk2-wk3。
步骤7、计算所有控制策略集合S中第m种控制策略Sm的综合效能提升程度Um,具体计算公式为:
Um=wEUE,m+wSUS,m+wFUF,m+wPUP,m
式中,wE、wS、wF和wP分别为效率指标、安全指标、能耗指标、排放指标的权重系数,其均属于(0,1)范围内,满足wE+wS+wF+wP=1且wE+wS>0.75。
步骤8、确定最优控制策略:按照步骤7的方法,对所有控制策略集合S中的每一种控制策略,均计算对应的综合效能提升程度,共得到M个综合效能提升程度数据;将M个综合效能提升程度数据进行降序排序,将排在第一位的综合效能提升程度数据对应的控制策略确定为最优控制策略。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (8)
1.一种基于交通仿真的多类型专用道控制方法,其特征在于:包括如下步骤:
步骤1、获取道路交通基本信息:获取多类型专用道的道路交通基本信息;其中,道路交通基本信息包括智能车辆流量QCAV、手动驾驶车辆流量QMDV、智能车辆的平均车头时距TCAV、手动驾驶车辆的平均车头时距TMDV、路段车道最高限速vmax、路段长度L、道路宽度W、车道数量N;
步骤2、设定多类型专用道的参照策略S0:根据步骤1中获取的智能车辆流量QCAV和手动驾驶车辆流量QMDV,设定多类型专用道的参照策略S0;其中,多类型专用道参照策略S0={A0,B0},其中,A0和B0的具体设定方法为:
步骤2A、当QCAV≥0.8QMDV时,且B0=(vmax、vmax、…、vmax)T;矩阵A0中,共N行,且行号对应车道号;第1列表示智能车辆专用道,第2列表示混合车道,第3列表示手动驾驶车辆专用道;元素0表示不设置专用道,元素1表示设置专用道;矩阵B0中,共N行,且行号对应车道号;
步骤3、确定多类型专用道的所有控制策略集合S:其中,所有控制策略集合S={S1,S2,S3,……Sm,……,SM};其中,m=1、2、3、……、M;M为所有控制策略的总数量,具体根据步骤1获取的车道数量N和路段车道最高限速vmax进行确定;其中,控制策略Sm={Am,Bm},其中,Am和Bm的表达式分别为:
amk1+amk2+amk3=1且amk1={0,1},amk2={0,1},amk3={0,1}
Bm=(bm1、bm2、…、bmk、…、bN)T
Am中的元素0表示不设置专用道,元素1表示设置专用道;Am中第1列表示智能车辆专用道,第2列表示混合车道,第3列表示手动驾驶车辆专用道;
Bm中元素bmk表示控制策略Sm下车道k的限速,取值范围为(0,vmax],且为10的整数倍;
步骤4、预测所有车道的交通流运行状态,具体包括如下步骤:
步骤4A、预测参照策略S0下所有车道的交通流运行状态:根据步骤1获取的道路交通基本信息,利用交通仿真系统模拟参照策略S0下的交通场景,预测参照策略S0下所有车道的交通流运行状态;参照策略S0下所有车道的交通流运行状态包括第k车道内车辆总数在统计时段内第i辆车在第k车道内被统计的次数第k车道内第i辆车的平均速度第k车道内第i辆车在t时刻的加速度和第k车道内第i辆车在t时刻的车头时距其中,1≤k≤N;
步骤4B、预测所有控制策略集合S中第m种控制策略Sm下所有车道的交通流运行状态:根据步骤1获取的道路交通基本信息,利用交通仿真系统模拟控制策略Sm下的交通场景,预测控制策略Sm下所有车道的交通流运行状态;控制策略Sm下所有车道的交通流运行状态包括第k车道内车辆总数在统计时段内第i辆车在第k车道内被统计的次数第k车道内第i辆车的平均速度第k车道内第i辆车在t时刻的加速度和第k车道内第i辆车在t时刻的车头时距其中,1≤k≤N;
步骤5、分车道统计效率、安全、能耗、排放指标,具体包括如下步骤:
步骤5A、分车道统计参照策略S0下的效率、安全、能耗、排放指标,具体为:
步骤5B、分车道统计所有控制策略集合S中第m种控制策略Sm下的效率、安全、能耗、排放指标,具体为:
步骤6、计算所有控制策略集合S中第m种控制策略Sm下的效率、安全、能耗、排放指标提升程度:将步骤5B获取的效率指标安全指标能耗指标和排放指标分别与步骤5A获取的效率指标安全指标能耗指标和排放指标相比较,得到控制策略Sm下的效率指标提升程度UE,m、安全指标提升程度US,m、能耗指标提升程度UF,m和排放指标提升程度UP,m;
步骤7、计算所有控制策略集合S中第m种控制策略Sm的综合效能提升程度Um,具体计算公式为:
Um=wEUE,m+wSUS,m+wFUF,m+wPUP,m
式中,wE、wS、wF和wP分别为效率指标、安全指标、能耗指标、排放指标的权重系数;
步骤8、确定最优控制策略:按照步骤7的方法,对所有控制策略集合S中的每一种控制策略,均计算对应的综合效能提升程度,共得到M个综合效能提升程度数据;将M个综合效能提升程度数据进行降序排序,将排在第一位的综合效能提升程度数据对应的控制策略确定为最优控制策略。
2.根据权利要求1所述的基于交通仿真的多类型专用道控制方法,其特征在于:步骤3中,所有控制策略的总数量M的计算公式为:
M=(3N-1)·hN
式中,h为多类型专用道中车辆速度v的可能取值个数;车辆速度v的取值范围为[vmin,vmax],且为10的整数倍;其中,vmin为多类型专用道的最低限速。
7.根据权利要求1所述的基于交通仿真的多类型专用道控制方法,其特征在于:步骤7中,效率指标、安全指标、能耗指标、排放指标的权重系数wE、wS、wF和wP均属于(0,1)范围内,满足wE+wS+wF+wP=1且wE+wS>0.75。
8.根据权利要求1所述的基于交通仿真的多类型专用道控制方法,其特征在于:步骤4中的统计时段设为TTJ小时,则TTJ=0.5N,交通仿真系通在仿真开始前的10分钟为预热时间,不计算在统计时段内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960472.1A CN113763708B (zh) | 2021-08-20 | 2021-08-20 | 一种基于交通仿真的多类型专用道控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960472.1A CN113763708B (zh) | 2021-08-20 | 2021-08-20 | 一种基于交通仿真的多类型专用道控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763708A CN113763708A (zh) | 2021-12-07 |
CN113763708B true CN113763708B (zh) | 2022-11-04 |
Family
ID=78790612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960472.1A Active CN113763708B (zh) | 2021-08-20 | 2021-08-20 | 一种基于交通仿真的多类型专用道控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763708B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616509A (zh) * | 2015-02-03 | 2015-05-13 | 上海交通大学 | 基于交通微观仿真的城市平面信号交叉口优化方法及系统 |
CN108171361A (zh) * | 2017-12-11 | 2018-06-15 | 东南大学 | 考虑交通冲突指标分布问题的交通仿真模型标定方法 |
CN112116822A (zh) * | 2020-09-21 | 2020-12-22 | 长沙理工大学 | 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法 |
CN112419708A (zh) * | 2020-08-17 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 基于交通流激进程度的道路安全策略确定方法及装置 |
CN113096416A (zh) * | 2021-03-29 | 2021-07-09 | 长沙理工大学 | 用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法 |
-
2021
- 2021-08-20 CN CN202110960472.1A patent/CN113763708B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616509A (zh) * | 2015-02-03 | 2015-05-13 | 上海交通大学 | 基于交通微观仿真的城市平面信号交叉口优化方法及系统 |
CN108171361A (zh) * | 2017-12-11 | 2018-06-15 | 东南大学 | 考虑交通冲突指标分布问题的交通仿真模型标定方法 |
CN112419708A (zh) * | 2020-08-17 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 基于交通流激进程度的道路安全策略确定方法及装置 |
CN112116822A (zh) * | 2020-09-21 | 2020-12-22 | 长沙理工大学 | 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法 |
CN113096416A (zh) * | 2021-03-29 | 2021-07-09 | 长沙理工大学 | 用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法 |
Non-Patent Citations (1)
Title |
---|
快速路可变限速与匝道控制协同优化策略;周浩等;《交通运输系统工程与信息》;20170415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113763708A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768637B (zh) | 一种信号交叉口交通信号灯和车辆轨迹控制方法 | |
CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
CN104778851B (zh) | 一种基于行驶轨迹的生态驾驶优化方法和系统 | |
CN112631246B (zh) | 测试评价信息确定方法、装置、设备及计算机存储介质 | |
US20100305798A1 (en) | System And Method For Vehicle Drive Cycle Determination And Energy Management | |
CN109552338A (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
CN108489500A (zh) | 一种基于能耗经济性的全局路径规划方法及系统 | |
CN113674546B (zh) | 基于sumo仿真的V2X环境下的高速公路管控方法 | |
CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及系统 | |
CN112712714A (zh) | 一种基于卡口监控设备的红绿灯配时优化方法及仿真系统 | |
Murphey et al. | Neural learning of driving environment prediction for vehicle power management | |
CN114463868A (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
CN115871450A (zh) | 一种基于物联网的新能源汽车智能控制方法及系统 | |
CN113920727B (zh) | 一种由施工引发道路拥堵的预测方法及系统 | |
CN118097968A (zh) | 一种道路交通安全评估方法 | |
CN113763708B (zh) | 一种基于交通仿真的多类型专用道控制方法 | |
CN113593223A (zh) | 一种场景目标导向的交通管控效能评估方法 | |
CN111767644B (zh) | 考虑单隧道限速影响高速公路路段实际通行能力估计方法 | |
CN113240901A (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
CN116968767A (zh) | 基于多维数据融合的新能源汽车充电路径规划方法及系统 | |
CN115257692A (zh) | 一种基于视觉交通信息的phev能量管理方法及系统 | |
CN117238131B (zh) | 一种车联网环境下交通流特性分析方法 | |
Liu et al. | Prediction of electric vehicle energy consumption in an intelligent and connected environment |
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 |