CN113947905A - 一种交通运行态势感知方法、模块及系统 - Google Patents
一种交通运行态势感知方法、模块及系统 Download PDFInfo
- Publication number
- CN113947905A CN113947905A CN202111216231.2A CN202111216231A CN113947905A CN 113947905 A CN113947905 A CN 113947905A CN 202111216231 A CN202111216231 A CN 202111216231A CN 113947905 A CN113947905 A CN 113947905A
- Authority
- CN
- China
- Prior art keywords
- road network
- traffic
- weighted
- flow
- control
- 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
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
-
- 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
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通运行态势感知方法、模块及系统,应用于智慧公路信息物理系统,上述交通运行态势感知方法包括:监测管控路网的交通流数据,基于交通流数据计算管控路网对应的加权密度和加权流量;其中,交通流数据包括管控路网各路段的车辆流量和车辆密度;获取管控路网对应的路网宏观基本图;其中,路网宏观基本图中包括畅通区间、饱和区间和过饱和区间;基于加权密度和加权流量在路网宏观基本图中所处的位置区间确定管控路网的交通运行态势。本发明能够动态直观地获取到路段或路网各路段的交通运行态势,细化到路段级别的运行状态评价,提升了交通态势评价的精确度。
Description
技术领域
本发明涉及交通态势感知技术领域,尤其是涉及一种交通运行态势感知方法、模块及系统。
背景技术
高速公路网作为交通运输基础设施网重要的组成部分日益发达完善,在提高交通运行效率方面具有突出贡献。
智慧公路信息物理系统(Smart Road Cyber Physical Systems,SR-CPS) 为数字交通控制网络的发展提供了解决思路,其通过大量的先进传感设备对物理系统的属性和行为进行实时感知,并将物理系统抽象成三维数字空间,并在数字空间中对交通物理模型进行分析和处理,进而做出实时的控制决策方案,对物理系统进行实时、高效、精准的管理与控制。SR-CPS能够对交通物理系统进行时空上的全面协调和精准控制,很大程度上依赖其对系统内部的各交通对象的实时、准确监测。因此,SR-CPS不仅需要先进的感知设备用于交通流实时监控,还需要一系列具备实时性、动态性、直观性、精准性的数据挖掘算法,对采集的海量数据进行高效处理和有效分析,并实时将处理分析的结果反馈给SR-CPS控制中心,进而实现对交通物理系统的精准管理与控制。SR-CPS架构主要包括三部分,分别是物理空间、连接通道和信息空间。其中,物理空间是指路网中的一切物理实体以及物理实体间的交互关系;连接通道是指连接物理空间和信息空间的通道,包括通信网络基础设施和SR-CPS单元节点控制器;信息空间是指利用先进的云计算技术和自动控制技术,以物理空间的运行状态数据为基础,创建的物理实体的数字模型以及控制决策模型。
交通态势分析是在对交通要素提取、分析的基础上,进行交通运行状态评估、预测的综合过程,具体表现为对道路和车辆资源配置,车辆运行状态进行监测,分析和评价道路交通环境及通行能力应用情况,并对未来交通发展趋势进行合理的估计和预测,从而为交通管理者应对各类突发交通状况,制定交通管控措施及预案提供决策理论支持。
交通态势分析的核心技术包括交通状态描述和交通状态评价,其中关键技术在于交通状态评价。交通描述方面,交通流模型作为描述交通流特征及状态的基础理论和方法,根据所采用的技术方法不同,包括统计基本图模型、流体力学模型、气体动力学模型、车辆跟驰模型及元胞自动机模型等。其中基本图模型,基于实测车流速度、密度和流量数据,利用统计学方法建立起三参数之间的相互关系,采用散点图或曲线图形式反映交通流状态及变化发展特征,并采用数据拟合方法构建参数间的函数关系式。应用基本图模型描述交通流具有参数少,数据获取相对简单的优点,且对于大规模车流和区域路网研究有较强优势。
目前主流的交通运行态势宏观评价方法主要通过交通拥堵指数评价方法,根据用户导航数据和浮动车数据计算路网的拥堵延时指数,定量判别交通运行状态,拥堵延时指数越大,表示拥堵越严重。但是该方式容易受到用户数据不全、浮动车数据不准等技术因素的影响,拥堵延时指数只能在一定程度上反映交通运行状态,无法精确反映道路的实际流量情况,且采用部分样本推测整体样本状态的方式本身就存在较大误差。此外,现有的交通运行态势宏观评价方法,还包括通过在主要道路的卡扣布设检测器,实时监测通过该位置的交通流量,通过统计车辆数来反映该路段的实时交通运行状态,但是此类方法只能监测断面的交通状态,无法对下一个路段进行交通状态评价,也无法做到长期连续监测,因此也无法反应真实交通状态。
综上所述,现有的交通运行状态感知方法主要建立在已确定的拥堵分级阈值之上。在实际应用中,由于不同道路的结构属性和交通管控策略不同,拥堵分级阈值的确定需要考虑时间和空间的影响,不仅难以精准确定拥堵状态,还需要大量的参数标定工作,增加了交通态势感知的工作量,不能真实反映出交通运行态势,导致检测到的交通运行态势精确度较低。
发明内容
有鉴于此,本发明的目的在于提供一种交通运行态势感知方法、模块及系统,能够动态直观地获取到路网或路网各路段的交通运行态势,细化到路段级别的运行状态评价,提升了交通态势评价的精确度。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种交通运行态势感知方法,包括:监测管控路网的交通流数据,基于所述交通流数据计算所述管控路网对应的加权密度和加权流量;其中,所述交通流数据包括所述管控路网各路段的车辆流量和车辆密度;获取所述管控路网对应的路网宏观基本图;基于所述加权密度和所述加权流量在所述路网宏观基本图中所处的位置区间确定所述管控路网的交通运行态势。
进一步,所述基于所述交通流数据计算所述管控路网对应的加权密度和加权流量的步骤,包括:获取所述管控路网各路段的路段长度;其中,所述管控路网包括多个管控路段;基于所述车辆流量、所述路段长度及加权流量计算算式计算所述管控路网对应的加权流量;基于所述车辆密度、所述路段长度及加权密度计算算式计算所述管控路网对应的加权密度。
进一步,所述加权流量计算算式为:
其中,qw为所述管控路网对应的加权流量,qm为第m个单元节点路段的车辆流量,lm为第m个单元节点路段的路段长度,n为所述管控路网所包括的单元节点路段总数量。
进一步,所述加权密度计算算式为:
其中,kw为所述管控路网对应的加权密度,km为第m个单元节点路段的车辆密度,lm为第m个单元节点路段的路段长度,n为所述管控路网所包括的单元节点路段总数量。
进一步,所述交通运行态势感知方法还包括:获取所述管控路网的历史交通流数据;基于所述历史交通流数据的采集时间将所述交通流历史数据划分为预设数量的时段数据;计算各时段数据对应的时段加权流量和时段加权密度,对各所述时段加权流量和所述时段加权密度进行曲线拟合,得到所述管控路网对应的路网宏观基本图。
进一步,所述交通运行态势包括畅通状态、饱和状态和过饱和状态,所述交通运行态势感知方法还包括:当所述管控路网的交通运行态势为饱和状态时,对所述管控路网进行边界流量管控,以防止所述管控路网进入过饱和状态;和/或,基于预设周期对所述路网宏观基本图进行周期性更新。
进一步,所述路网宏观基本图为多次多项式曲线,所述基于所述加权密度和所述加权流量在所述路网宏观基本图中所处的位置区间确定所述管控路网的交通运行态势的步骤,包括:获取所述多次多项式曲线的极值点横坐标,基于所述极值点横坐标将所述路网宏观基本图划分为畅通区间、饱和区间和过饱和区间;将所述加权密度和所述加权流量输入所述路网宏观基本图中,当所述加权密度和所述加权流量位于所述畅通区间时,确定所述管控路网的交通运行态势为畅通状态;当所述加权密度和所述加权流量位于所述饱和区间时,确定所述管控路网的交通运行态势为饱和状态;当所述加权密度和所述加权流量位于所述过饱和区间时,确定所述管控路网的交通运行态势为过饱和状态。
第二方面,本发明实施例还提供了一种交通运行态势感知模块,包括:监测模块,用于监测管控路网的交通流数据,基于所述交通流数据计算所述管控路网对应的加权密度和加权流量;其中,所述交通流数据包括所述管控路网各路段的车辆流量和车辆密度;获取模块,用于获取所述管控路网对应的路网宏观基本图;确定模块,用于基于所述加权密度和所述加权流量在所述路网宏观基本图中所处的位置区间确定所述管控路网的交通运行态势。
第三方面,本发明实施例提供了一种交通运行态势感知系统,作为智慧公路信息物理系统的子系统,包括:信息空间、连接通道和物理空间,所述连接通道分别与所述物理空间和所述信息空间通信连接,所述物理空间中设置有交通流数据采集装置;所述交通流数据采集装置用于监测管控路网的交通流数据;所述连接通道和信息空间用于执行第一方面任一项所述的交通运行态势感知方法。
本发明实施例提供了一种交通运行态势感知方法、模块及系统,上述交通运行态势感知方法包括:监测管控路网的交通流数据,基于交通流数据计算管控路网对应的加权密度和加权流量;其中,交通流数据包括管控路网各路段的车辆流量和车辆密度;获取管控路网对应的路网宏观基本图;其中,路网宏观基本图中包括畅通区间、饱和区间和过饱和区间;基于加权密度和加权流量在路网宏观基本图中所处的位置区间确定管控路网的交通运行态势。本发明通过实时监测管控路网各路段的车辆流量、车辆密度和路段长度,根据管控路网在路网宏观基本图中所处的区间位置,能够动态直观地获取到路段或路网各路段的交通运行态势,细化到路段级别的运行状态评价,提升了交通态势评价的精确度。
本发明实施例的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明实施例的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例所提供的一种交通运行态势感知方法流程图;
图2示出了本发明实施例所提供的一种路网宏观基本图;
图3示出了本发明实施例所提供的一种适用于智慧公路信息物理系统架构的交通运行态势感知方法流程图;
图4示出了本发明实施例所提供的一种区域路网范围示意图;
图5示出了本发明实施例所提供的一种区域路网宏观基本图;
图6示出了本发明实施例所提供的一种区域路网平均总延误对比图;
图7示出了本发明实施例所提供的一种交通运行态势感知模块结构示意图;
图8示出了本发明实施例所提供的一种交通运行态势感知系统的框架结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
目前,考虑到现有交通状态评价方法还存在未能真正融合交通流量和密度数据,无法准确反映道路实际运行状态,不能满足SR-CPS中对交通运行精准管控的需求的问题。为改善此问题,本发明实施例提供的一种交通运行态势感知方法、模块及系统,能够实时、动态、直观的获取路网运行状态,能够细化到道路级别的运行状态评价,不需要大量的检测工作和较长周期的参数标定,能够在路网进入过饱和状态之前进行预警,并根据分析结果,可以服务SR-CPS制定调整路网边界流量的方案,促使路网始终处于畅通或者饱和状态,有利于达到路网资源的效益最大化。以下对本发明实施例进行详细介绍。
本实施例提供了一种交通运行态势感知方法,应用于智慧公路信息物理系统(Smart Road Cyber Physical Systems,SR-CPS),参见图1所示的交通运行态势感知方法流程图,该方法主要包括以下步骤:
步骤S102,监测管控路网的交通流数据,基于交通流数据计算管控路网对应的加权密度和加权流量。
上述管控路网可以包括一个或多个管控路段,上述交通流数据包括管控路网各路段的车辆流量和车辆密度。SR-CPS系统的物理空间中布设有大量的智能传感器,包括毫米波雷达、激光雷达、路侧单元RSU、车载单元 OBU等,能够实时采集管控路网各路段的车辆流量和车辆密度等交通流数据。将路侧检测器设置为路段节点,每相邻两个节点构成一个路段,获取各个路段的路段长度、车道数、交通流量和交通密度,通过SR-CPS连接通道中传输至SR-CPS单元节点控制器。
上述SR-CPS系统主要包括三部分:物理空间、连接通道和信息空间。其中,物理空间是指路网中的一切物理实体以及物理实体间的交互关系;连接通道是指连接物理空间和信息空间的通道,包括通信网络基础设施和 SR-CPS单元节点控制器;信息空间是指利用先进的云计算技术和自动控制技术,以物理空间的运行状态数据为基础,创建的物理实体的数字模型以及控制决策模型。
步骤S104,获取管控路网对应的路网宏观基本图。
上述路网宏观基本图中包括畅通区间、饱和区间和过饱和区间。上述路网宏观基本图也可以称为路网宏观基本图模型,获取管控路网对应的路网宏观基本图可以包括两种方式:一种是获取基于历史交通流数据预先建立的路网宏观基本图,另一种是基于监测到的交通流数据计算得到的加权密度和加权流量建立一个路网宏观基本图。上述路网宏观基本图可以反映不同的加权密度及加权流量取值下对应的交通运行态势。
步骤S106,基于加权密度和加权流量在路网宏观基本图中所处的位置区间确定管控路网的交通运行态势。
将实时监测到的管控路网的交通流数据对应的加权密度和加权流量输入路网宏观基本图中,基于路网宏观基本图及实时计算得到的加权密度和加权流量对管控路段或管理路网的交通运行态势进行分析,可以得到管控路网对应的实时交通运行态势,该交通运行态势包括畅通状态、饱和状态和过饱和状态。
在一种实施方式中,获取管控路网的交通流数据,该交通流数据可以是当前的交通流数据,也可以是历史交通流数据;基于该交通流数据建立路网宏观基本图,基于该路网宏观基本图对当前交通态势或历史交通态势进行分析。
本实施例提供的上述交通运行态势感知方法,通过实时监测管控路网各路段的车辆流量、车辆密度和路段长度,根据管控路网在路网宏观基本图中所处的区间位置,能够动态直观地获取到路网或路网各路段的交通运行态势,细化到路段级别的运行状态评价,提升了交通态势评价的精确度;无需进行大量的参数标定工作,且路网宏观基本图的模型构建方式简便,提升了交通运行态势的检测效率。
在一种实施方式中,本实施例提供了基于交通流数据计算管控路网对应的加权密度和加权流量的实施方式,具体可参照如下步骤(1)~步骤(3) 执行:
步骤(1):获取管控路网各路段的路段长度。
上述管控路网包括多个管控路段,将管控路网内的各路侧检测器设置为路段节点,每相邻两个节点构成一个路段,接收用户输入的各管控路网各路段的路段长度。
步骤(2):基于车辆流量、路段长度及加权流量计算算式计算管控路网对应的加权流量。
其中,上述加权流量的计算算式为:
其中,qw为管控路网对应的加权流量(veh/(h·ln)),qm为第m个单元节点路段的车辆流量(某一时段的平均车流量),lm为第m个单元节点路段的路段长度,n为管控路网所包括的单元节点路段总数量。
将管控路网中各单元节点路段的车辆流量和路段长度输入上述加权流量的计算算式中,可以计算得到管控路网对应的加权流量。
步骤(3):基于车辆密度、路段长度及加权密度计算算式计算管控路网对应的加权密度。
上述加权密度计算算式为:
其中,kw为管控路网对应的加权密度(veh/(km·ln)),km为第m个单元节点路段的车辆密度,lm为第m个单元节点路段的路段长度,n为管控路网所包括的单元节点路段总数量。
其中,A为管控路网中的累计车辆总数量。
将管控路网中各单元节点路段的车辆密度和路段长度输入上述加权密度的计算算式中,可以计算得到管控路网对应的加权密度。经过计算,得到路网中每个SR-CPS单元节点控制器所管控路段的加权流量qw和加权密度kw,将这些数据通过SR-CPS智能控制总线传输至信息空间中的数据信息层,并保存至交通信息数据库。
为了建立准确的路网宏观基本图,本实施例提供的交通运行态势感知方法还包括建立路网宏观基本图的实施方式,具体可参照如下步骤1)~步骤3)执行:
步骤1):获取管控路网的历史交通流数据。
获取上述管控路网的历史交通流数据,该历史交通流数据可以是任意时间段(诸如,可以是某一指定时段或当前时刻前某一时段)内能反映该管控路网的加权流量和加权密度与交通运行态势正常对应关系的历史数据。上述历史交通流数据可以随着时间的推移周期性更新,以便周期性更新该管控路网的路网宏观基本图。
为了提升交通运行态势检测的准确性,上述历史交通流数据可以是正常情况下管控路网的历史交通流数据,以得到正常情况下的路网宏观基本图;由于正常情况下的路网宏观基本图并不适用于对节假日的交通运行态势进行检测,上述历史交通流数据还可以是节假日情况下管控路网的历史交通流数据,以得到节假日情况下的路网宏观基本图。
在一种实施方式中,在获取到管控路网的历史交通流数据后,可以先对该历史交通流数据进行数据查验和修正,检测该历史交通流数据中是否存在数据缺失,填补缺失数据(诸如,采用同一路段中其他传感器在同一时刻采集到的交通流数据),修正异常数据,利用数据融合技术将多个传感器采集到的同一路段的交通流数据进行数据融合(诸如,仅采用一个传感器所采集的全部交通流数据,或者将多个传感器同一时刻所采集的同一路段的交通流数据取平均值),最终得到能够精准反映交通运行状态的历史交通流数据,将该历史交通流数据存储在数据信息库中。
步骤2):基于历史交通流数据的采集时间将历史交通流数据划分为预设数量的时段数据。
由于不同的时间段下同一路段的车辆流量和车辆密度可能不同,对应的交通运行态势也不相同,为了直观反映交通运行态势与加权流量和加权密度的关系,将历史交通流数据划分为多个时段数据,上述预设数量与历史交通流数据对应的总时长及划分的时段时长相关,诸如,将每个小时划分为一个时段,即将历史交通流数据中每个小时的交通流数据作为一个时段数据。
步骤3):计算各时段数据对应的时段加权流量和时段加权密度,对各时段加权流量和时段加权密度进行曲线拟合,当曲线拟合度合格时,得到管控路网对应的路网宏观基本图。
基于上述各时段数据中的车辆流量和加权流量计算算式,分别计算各个时段对应的时段加权流量;基于上述各时段数据中的车辆密度和加权密度计算算式,分别计算出各个时段对应的时段加权密度,将同一时段内的时段加权流量和时段加权密度作为一个坐标点,以多次多项式(诸如二次多项式或三次多项式)进行曲线拟合(诸如可以采用MATLAB等软件进行曲线拟合),可以得到拟合的曲线公式、拟合度R2和极值点(N,Q)。其中,拟合的曲线公式代表加权密度和加权流量之间的关系,拟合度是曲线拟合的结果和实际结果的吻合程度,通常情况下认为,拟合度大于95%表示曲线拟合程度较好,曲线拟合度合格,极值点(N,Q)的N、Q分别代表区域路网的临界密度和临界流量。参见如图2所示的路网宏观基本图,该路网宏观基本图是以加权密度和加权流量为横纵坐标绘制得到的宏观基本图,取临界密度N±5%区间作为饱和状态,饱和状态左侧为畅通状态,右侧为过饱和状态。
将上述计算得到的路网宏观基本图保存至历史状态图层中,便于回查路网历史交通运行态势信息。历史状态图层加载历史运行数据,可以理解为若干历史状态的交互映射层。通过历史状态图层可以查询到历史时段的路网交通运行状态,将历史交通运行状态和实时交通运行状态进行比较,可以用于辅助后台计算图层进行智能决策分析。
从图2中可以看出,在路网未达到饱和密度之前,此时拟合曲线的斜率较大,路网交通处于自由流状态,车辆运行通畅,此时随着加权密度的增加,路网所完成的交通流量也在不断增加,但路网的运输承载能力未达到最优,路网的利用率有待提高;随着路网加权密度的不断增加,拟合曲线的斜率趋近于0,路网加权流量会达到一个饱和值,饱和值点即为图中的 (N,Q)点,此时的路网整体的运行效益最优,车辆运行较为通畅,路网的利用效率最高,是交通管理的最佳状态;若加权密度继续增加,加权流量反而会随之降低,此时对出行者和交通管理者而言都是不理想的状态,车辆运行条件较差,出现车辆大量停滞现象,路网利用率最差,造成公共资源浪费,需要进行合理的交通管控使路网恢复至饱和状态。
上述路网宏观基本图为多次多项式(诸如三次多项式)曲线,获取多次多项式曲线的极值点横坐标,基于极值点横坐标将路网宏观基本图划分为畅通区间、饱和区间和过饱和区间;将加权密度和加权流量构成的坐标点输入路网宏观基本图中,当加权密度和加权流量位于所述畅通区间时,确定管控路网的交通运行态势为畅通状态;当加权密度和加权流量位于饱和区间时,确定管控路网的交通运行态势为饱和状态;当加权密度和加权流量位于过饱和区间时,确定管控路网的交通运行态势为过饱和状态。
将实时监测计算得到的管控路网的加权流量和加权密度输入上述路网宏观基本图中,根据实时加权流量和加权密度所处的位置区间,可以得到管控路网目前的交通运行态势。
智能交通系统中精准有效的区域路网动态管控,需建立在实时掌握路网交通流时空变化特征的基础之上。但受限于交通检测器布设情况以及路网交通流的复杂特性,在实际道路环境中获取足够有效的交通信息用以描述、分析网络交通流的特征属性,辅助管控策略的制定具有很高难度。在这种情况下,区域路网的宏观基本图可以通过描述路网交通流宏观交通参数,如路网平均车流量、路网平均车辆密度,及其内在关系,从而间接表征路网交通时空演变特征,分析道路交通运行态势,预测可能出现的交通状况进而为交通管理者提供决策支持。综上,宏观基本图为区域路网的运行态势分析提供了一种便捷、有效、科学的技术手段。
在一种实施方式中,为了使交通运行状态始终处于最优状态,本实施例提供的交通运行态势感知方法还包括:当管控路网的交通运行态势为饱和状态时,对管控路网进行边界流量管控,以防止管控路网进入过饱和状态。
当管控路网接近过饱和状态时,可以通过对管控路网进行限流管控(诸如,对管控路网边界的红绿信号灯进行限流控制),以避免管控路网进入过饱和状态造成交通拥堵,使管控路网始终处于畅通或饱和状态。
在一种实施方式中,本实施例提供的交通运行态势感知方法还包括:基于预设周期对路网宏观基本图进行周期性更新。上述预设周期与管控路网相关,交通流特性复杂的路网及路网子区的宏观基本图更新频率较高,具体更新周期需要视情况而定,如以宏观基本图参数、拟合函数发生明显变化的时间为一个更新周期;交通流特性简单的路网更新频率相对较低,能够降低管理成本;由车辆构成改变、居民出行等因素而导致交通需求发生较大变化时需要进行路网宏观基本图更新;路网内部结构及道路属性发生变化时需要进行路网宏观基本图更新。
本实施例提供的上述交通运行态势感知方法,能够直观的从路网宏观基本图中获取路网运行态势,根据宏观基本图理论,在路网交通运行到达过饱和状态之前进行边界流量管控,使路网运行始终处于畅通或者饱和状态,能够提高出行效率、降低出行成本;同时能够降低管理成本,提高路网整体运行效率。
在前述实施例的基础上,本实施例提供了一种适用于智慧公路信息物理系统架构的交通运行态势感知方式,参见如图3所示的适用于智慧公路信息物理系统架构的交通运行态势感知方法流程图,该方法主要包括以下步骤:
步骤301:智慧公路信息物理系统架构的方案预演层精准管理与控制需求。
步骤302:后台计算图层构建路网宏观基本图指令下达,SR-CPS智能控制总线传输指令至物理空间,物理空间上传交通流数据至SR-CPS单元节点控制器。
步骤303:对交通流数据进行数据融合和数据校准,单元节点控制器计算加权流量和加权密度,将加权流量和加权密度上传至智能控制总线,保存至交通信息数据库。
步骤304:后台计算图层计算路网MFD参数,后台计算图层进行路网 MFD曲线拟合,计算曲线拟合度。
上述MFD为网络宏观基本图模型(Macroscopic Fundamental Diagram, MFD)的简称。MFD是路网客观存在并可测量得到的一种属性。基于路网实时交通流数据,可以按照决策者需求实现MFD模型的自动更新,并自主监测路网交通运行态势,作为监控路网运行和交通需求调度优化的解决方法。该模型从路网整体结构出发,分析多个路段或区域路网内路网平均流量——路网平均密度,并用这两个参数来表征区域路网交通流的宏观特性,并且参数可根据交通流检测数据(SR-CPS物理空间中的先进交通感知设备提供)定期更新。宏观基本图适用性强,实时性好,可进行多方面拓展分析,具备较强的实践性
步骤305:判断拟合度是否满足要求,如果是,执行步骤S306,如果否,返回执行步骤S304重新进行路网MFD曲线拟合。
步骤S306:交互映射图层绘制路网宏观基本图。
步骤S307:方案预演层进行交通运行态势分析,得到当前的交通运行态势。该交通运行态势包括畅通状态、饱和状态和过饱和状态。
步骤S308:历史状态图层交通运行态势分析。
步骤S309:SR-CPS精准管理与控制。
在前述实施例的基础上,本实施例提供了一种对上述交通运行态势感知方法进行算例验证的具体示例:
参见如图4所示的区域路网范围示意图,以图中的深灰色路段北京市六环路(楼自庄桥-百葛桥)东西双向、G6京藏高速公路(剑亭桥-百泉庄) 南北双向、G7京新高速公路(清河收费站-百葛收费站)南北双向作为区域路网,获取区域路网的交通流数据,构建路网宏观基本图,进行区域路网交通态势分析验证。
从某一交通运营单位获取上述区域路网的交通流数据,上述区域路网的交通流数据包括:
(1)主路段双向交通流的车辆流量和车辆速度,由微波检测器提供,数据输出频率:5min。
(2)区域路网收费站进出口的交通流量、密度数据,由收费站收费数据和线圈检测器数据统计得出,数据输出频率:1h。
(3)区域路网服务区进出口的交通流量、密度数据,由高速公路服务区断面流量检测器提供,数据输出频率:5min。
参见如下表一所示的区域路网原始交通流数据示例表,表一中示出了上述区域路网的部分路段某一时间的交通流数据,该交通流数据满足宏观基本图的计算需求,无需进行数据融合校准。
表一区域路网原始交通流数据示例表
以上述区域路网2021年4月19日到28日十天的交通流数据为对象,根据上述方法构建区域路网宏观基本图,参见如图5所示的区域路网宏观基本图,以此为根据对区域路网的具体路段进行实时交通态势感知分析。图5中早高峰(7:00-9:00)和晚高峰(17:00-19:00)的交通加权流量和加权密度点用不同形状的点进行了特别标注,用于分析每天高峰期的交通特性,便于对高峰时期交通流量的疏导,其中,图5中用圆形点(commonpeak) 表示非早晚高峰的加权流量和加权密度点,用叉号形点(morningpeak)表示早高峰的加权流量和加权密度点,用菱形点(eveningpeak)表示晚高峰的加权流量和加权密度点,用五角星形点(extremepoint)表示多项式拟合曲线(fittingcurve)的极值点。
图5中的区域路网宏观基本图对应的拟合函数为:y=0.03212x3- 5.593x2+129.2x-30.26
拟合度为:R2=0.9516
从图5中可以看出,所选区域路网大部分处于畅通状态,饱和交通密度为13veh/km·ln,其中早高峰处于交通饱和的状态,且在相同密度的条件下,早高峰交通流量明显高于其他时段交通流量,对于流入早高峰时段路网的流量保留现状,不会对路网的运行产生压力;但随着交通密度的逐渐增加,早高峰交通流量会出现过饱和的状态,从而产生拥堵,因此要控制早高峰时段的交通出行需求不再增加。与早高峰不同的是,晚高峰处于过饱和状态,且交通流量低于早高峰,因此需要对晚高峰时段的交通出行需求进行有效管控,使交通流量处于饱和状态,对此,可以采取的控制策略是将晚高峰时段路网的交通出行需求疏导致邻近可替换路网。
从上述区域路网2021年4月19日到28日的早晚高峰时段的交通流数据中任意选取其中的交通流数据计算加权密度和加权流量,参见如下表二所示的4月28-29日区域路网加权密度流量表:
表二4月28-29日区域路网加权密度流量表(2021年)
将28、29日路网早高峰(7:00-9:00)、晚高峰(17:00-19:00)的加权流量和加权密度数据代入区域路网宏观基本图中进行分析。通过横纵坐标对比,可以发现在早高峰时段,28日路网交通运行处于畅通状态,且数据点处的曲线斜率较大,根据宏观基本图理论,可以推断出28日早高峰时间段路网车辆平均延误要比29日低。晚高峰28日交通运行状态处于过饱和状态,而29日处于畅通和饱和状态,由区域路网宏观基本图理论可以得出结论: 28日晚高峰时间段通过路网的车辆平均延误比29日高。
为验证上述所得结论的正确性,取28-29日的路网车辆平均延误进行对比,参见如图6所示的区域路网平均总延误对比图,图6中示出了28日的路网车辆平均延误曲线(0428delay)和29日的路网车辆平均延误曲线(0429 delay),从图6中可以看出,29日早高峰时段的路网车辆平均延误高于28 日,晚高峰时段的路网车辆平均延误明显低于28日,由此可以判断,所得结论得到正确验证,区域路网宏观基本图能够为SR-CPS的精准管理与控制提供技术支撑。
对应于上述实施例所提供的交通运行态势感知方法,本发明实施例提供了一种交通运行态势感知模块,参见图7所示的一种交通运行态势感知模块结构示意图,该模块包括:
监测模块71,用于监测管控路网的交通流数据,基于交通流数据计算管控路网对应的加权密度和加权流量;其中,交通流数据包括管控路网各路段的车辆流量和车辆密度。
获取模块72,用于获取管控路网对应的路网宏观基本图;其中,路网宏观基本图中包括畅通区间、饱和区间和过饱和区间。
确定模块73,用于基于加权密度和加权流量在路网宏观基本图中所处的位置区间确定管控路网的交通运行态势。
本实施例提供的上述交通运行态势感知模块,通过实时监测管控路网各路段的车辆流量、车辆密度和路段长度,根据管控路网在路网宏观基本图中所处的区间位置,能够动态直观地获取到路网或路网各路段的交通运行态势,细化到路段级别的运行状态评价,提升了交通态势评价的精确度。
在一种实施方式中,上述监测模块71,进一步用于获取管控路网各路段的路段长度;其中,管控路网包括多个管控路段;基于车辆流量、路段长度及加权流量计算算式计算管控路网对应的加权流量;基于车辆密度、路段长度及加权密度计算算式计算管控路网对应的加权密度。
在一种实施方式中,上述加权流量计算算式为:
其中,qw为管控路网对应的加权流量,qm为第m个单元节点路段的车辆流量,lm为第m个单元节点路段的路段长度,n为管控路网所包括的单元节点路段总数量。
在一种实施方式中,上述加权密度计算算式为:
其中,kw为管控路网对应的加权密度,km为第m个单元节点路段的车辆密度,lm为第m个单元节点路段的路段长度,n为管控路网所包括的单元节点路段总数量。
在一种实施方式中,上述模块还包括:
模型建立模块,用于获取管控路网的历史交通流数据;基于历史交通流数据的采集时间将交通流历史数据划分为预设数量的时段数据;计算各时段数据对应的时段加权流量和时段加权密度,对各时段加权流量和时段加权密度进行曲线拟合,得到管控路网对应的路网宏观基本图。
管控模块,用于当管控路网的交通运行态势为饱和状态时,对管控路网进行边界流量管控,以防止管控路网进入过饱和状态;交通运行态势包括畅通状态、饱和状态和过饱和状态。
更新模块,用于基于预设周期对路网宏观基本图进行周期性更新。
在一种实施方式中,上述路网宏观基本图为多次多项式曲线,上述确定模块73,进一步用于获取多次多项式曲线的极值点横坐标,基于极值点横坐标将路网宏观基本图划分为畅通区间、饱和区间和过饱和区间;将加权密度和加权流量输入路网宏观基本图中,当加权密度和加权流量位于畅通区间时,确定管控路网的交通运行态势为畅通状态;当加权密度和加权流量位于饱和区间时,确定管控路网的交通运行态势为饱和状态;当加权密度和加权流量位于过饱和区间时,确定管控路网的交通运行态势为过饱和状态。
交通运行态势感知,作为SR-CPS的一个重要功能模块,能够为SR-CPS 提供道路网络动态或周期性的综合运行特征和趋势,面向SR-CPS,交通运行态势感知结果具有两大优点:1.运行态势分析有利于交通管控决策者对现有交通流量进行实时的调控,依据运行态势分析结果,可判断区域路网的临界交通承载能力,并分析区域路网的交通流疏导走向;2.交通运行态势分析能够提供道路的实时拥堵情况,利于出行者进行合理路径选择,提高交通出行效率。
本实施例提供的上述交通运行态势感知模块,能够直观的从路网宏观基本图中获取路网运行态势,根据宏观基本图理论,在路网交通运行到达过饱和状态之前进行边界流量管控,使路网运行始终处于畅通或者饱和状态,能够提高出行效率、降低出行成本;同时能够降低管理成本,提高路网整体运行效率。
本实施例所提供的模块,其实现原理及产生的技术效果和前述实施例相同,为简要描述,模块实施例部分未提及之处,可参考前述方法实施例中相应内容。
对应于前述实施例所提供的方法和模块,本发明实施例还提供了一种交通运行态势感知系统,该系统是智慧公路信息物理系统的子系统,用于实现路网交通运行态势的自动感知,参见图8所示的一种交通运行态势感知系统的框架结构示意图,上述交通运行态势感知系统包括:信息空间、连接通道和物理空间,连接通道分别与物理空间和信息空间通信连接,物理空间中设置有交通流数据采集装置,该交通流数据采集装置可以是图8 所示的物理空间中设置的多种传感器;交通流数据采集装置用于监测管控路网的交通流数据,并将管控路网的交通流数据、路段长度和车道数等参数传输至连接通道的节点控制器中;连接通道和信息空间用于执行上述实施例提供的交通运行态势感知方法。
从图8中可以看出,交通运行态势感知系统在执行上述交通运行态势感知方法时,主要基于物理空间中设置的多种传感器对路网中各路段进行交通流数据采集,并将采集到的交通流数据及路网基础数据发送至连接通道的节点控制器中,以计算路网的加权流量和加权密度,并通过通信装置将加权流量和加权密度发送至信息空间中,存储在交通流信息数据库和路网宏观基本图参数数据库中,信息空间基于路网宏观基本图参数数据库中的加权流量和加权密度进行多项式曲线拟合,建立路网宏观基本图(即路网宏观基本图模型),交互映射图层基于建立的路网宏观基本图分析路网的交通运行态势,历史状态图层保持有路网历史交通运行状态,方案预演图层基于路网宏观基本图和路网历史交通运行状态进行交通运行态势分析,并生成交通管控方案。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种交通运行态势感知方法,其特征在于,包括:
监测管控路网的交通流数据,基于所述交通流数据计算所述管控路网对应的加权密度和加权流量;其中,所述交通流数据包括所述管控路网各路段的车辆流量和车辆密度;
获取所述管控路网对应的路网宏观基本图;
基于所述加权密度和所述加权流量在所述路网宏观基本图中所处的位置区间确定所述管控路网的交通运行态势。
2.根据权利要求1所述的方法,其特征在于,所述基于所述交通流数据计算所述管控路网对应的加权密度和加权流量的步骤,包括:
获取所述管控路网各路段的路段长度;其中,所述管控路网包括多个管控路段;
基于所述车辆流量、所述路段长度及加权流量计算算式计算所述管控路网对应的加权流量;
基于所述车辆密度、所述路段长度及加权密度计算算式计算所述管控路网对应的加权密度。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取所述管控路网的历史交通流数据;
基于所述历史交通流数据的采集时间将所述交通流历史数据划分为预设数量的时段数据;
计算各时段数据对应的时段加权流量和时段加权密度,对各所述时段加权流量和所述时段加权密度进行曲线拟合,得到所述管控路网对应的路网宏观基本图。
6.根据权利要求1所述的方法,其特征在于,所述交通运行态势包括畅通状态、饱和状态和过饱和状态,所述交通运行态势感知方法还包括:
当所述管控路网的交通运行态势为饱和状态时,对所述管控路网进行边界流量管控,以防止所述管控路网进入过饱和状态;
和/或,
基于预设周期对所述路网宏观基本图进行周期性更新。
7.根据权利要求1所述的方法,其特征在于,所述路网宏观基本图为多次多项式曲线,所述基于所述加权密度和所述加权流量在所述路网宏观基本图中所处的位置区间确定所述管控路网的交通运行态势的步骤,包括:
获取所述多次多项式曲线的极值点横坐标,基于所述极值点横坐标将所述路网宏观基本图划分为畅通区间、饱和区间和过饱和区间;
将所述加权密度和所述加权流量输入所述路网宏观基本图中,当所述加权密度和所述加权流量位于所述畅通区间时,确定所述管控路网的交通运行态势为畅通状态;
当所述加权密度和所述加权流量位于所述饱和区间时,确定所述管控路网的交通运行态势为饱和状态;
当所述加权密度和所述加权流量位于所述过饱和区间时,确定所述管控路网的交通运行态势为过饱和状态。
8.一种交通运行态势感知模块,其特征在于,包括:
监测模块,用于监测管控路网的交通流数据,基于所述交通流数据计算所述管控路网对应的加权密度和加权流量;其中,所述交通流数据包括所述管控路网各路段的车辆流量和车辆密度;
获取模块,用于获取所述管控路网对应的路网宏观基本图;
确定模块,用于基于所述加权密度和所述加权流量在所述路网宏观基本图中所处的位置区间确定所述管控路网的交通运行态势。
9.一种交通运行态势感知系统,作为智慧公路信息物理系统的子系统,其特征在于,包括:信息空间、连接通道和物理空间,所述连接通道分别与所述物理空间和所述信息空间通信连接,所述物理空间中设置有交通流数据采集装置;
所述交通流数据采集装置用于监测管控路网的交通流数据;所述连接通道和信息空间用于执行如权利要求1至7任一项所述的交通运行态势感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111216231.2A CN113947905B (zh) | 2021-10-19 | 2021-10-19 | 一种交通运行态势感知方法、模块及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111216231.2A CN113947905B (zh) | 2021-10-19 | 2021-10-19 | 一种交通运行态势感知方法、模块及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947905A true CN113947905A (zh) | 2022-01-18 |
CN113947905B CN113947905B (zh) | 2022-09-06 |
Family
ID=79331501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111216231.2A Active CN113947905B (zh) | 2021-10-19 | 2021-10-19 | 一种交通运行态势感知方法、模块及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947905B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154172A (zh) * | 2022-02-10 | 2022-03-08 | 北京国信网联科技有限公司 | 基于态势感知的网络安全监控系统 |
CN114333332A (zh) * | 2022-03-04 | 2022-04-12 | 阿里云计算有限公司 | 一种交通管控方法、装置及电子设备 |
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 |
CN114954839A (zh) * | 2022-05-31 | 2022-08-30 | 浙江省交通运输科学研究院 | 一种船舶态势感知控制方法及系统、视觉处理芯片 |
CN115331426A (zh) * | 2022-06-30 | 2022-11-11 | 同济大学 | 一种城市片区道路网交通承载力计算方法 |
CN115512552A (zh) * | 2022-09-15 | 2022-12-23 | 云控智行科技有限公司 | 车流量统计方法、装置及设备 |
CN115830874A (zh) * | 2023-02-10 | 2023-03-21 | 西南交通大学 | 一种交通流基本图的拟合性能评价方法及系统 |
CN116528152A (zh) * | 2023-07-04 | 2023-08-01 | 北京亚琪夜游科技有限公司 | 基于智慧文旅的通讯数据处理系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
CN106408943A (zh) * | 2016-11-17 | 2017-02-15 | 华南理工大学 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 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 |
WO2019007126A1 (zh) * | 2017-07-06 | 2019-01-10 | 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 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109308805A (zh) * | 2018-08-20 | 2019-02-05 | 广东交通职业技术学院 | 一种基于自适应加权平均数据融合的路网mfd估测方法 |
CN110210509A (zh) * | 2019-03-04 | 2019-09-06 | 广东交通职业技术学院 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
CN110232398A (zh) * | 2019-04-24 | 2019-09-13 | 广东交通职业技术学院 | 一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法 |
CN111127880A (zh) * | 2019-12-16 | 2020-05-08 | 西南交通大学 | 一种基于mfd的网格路网交通性能分析方法 |
CN111429733A (zh) * | 2020-03-24 | 2020-07-17 | 浙江工业大学 | 一种基于宏观基本图的路网交通信号控制方法 |
-
2021
- 2021-10-19 CN CN202111216231.2A patent/CN113947905B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
CN106408943A (zh) * | 2016-11-17 | 2017-02-15 | 华南理工大学 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 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 |
WO2019007126A1 (zh) * | 2017-07-06 | 2019-01-10 | 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 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109308805A (zh) * | 2018-08-20 | 2019-02-05 | 广东交通职业技术学院 | 一种基于自适应加权平均数据融合的路网mfd估测方法 |
CN110210509A (zh) * | 2019-03-04 | 2019-09-06 | 广东交通职业技术学院 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
CN110232398A (zh) * | 2019-04-24 | 2019-09-13 | 广东交通职业技术学院 | 一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法 |
CN111127880A (zh) * | 2019-12-16 | 2020-05-08 | 西南交通大学 | 一种基于mfd的网格路网交通性能分析方法 |
CN111429733A (zh) * | 2020-03-24 | 2020-07-17 | 浙江工业大学 | 一种基于宏观基本图的路网交通信号控制方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154172B (zh) * | 2022-02-10 | 2022-05-03 | 北京国信网联科技有限公司 | 基于态势感知的网络安全监控系统 |
CN114154172A (zh) * | 2022-02-10 | 2022-03-08 | 北京国信网联科技有限公司 | 基于态势感知的网络安全监控系统 |
CN114333332A (zh) * | 2022-03-04 | 2022-04-12 | 阿里云计算有限公司 | 一种交通管控方法、装置及电子设备 |
CN114333332B (zh) * | 2022-03-04 | 2022-09-06 | 阿里云计算有限公司 | 一种交通管控方法、装置及电子设备 |
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 |
CN114954839A (zh) * | 2022-05-31 | 2022-08-30 | 浙江省交通运输科学研究院 | 一种船舶态势感知控制方法及系统、视觉处理芯片 |
CN114954839B (zh) * | 2022-05-31 | 2023-08-18 | 浙江省交通运输科学研究院 | 一种船舶态势感知控制方法及系统、视觉处理芯片 |
CN115331426A (zh) * | 2022-06-30 | 2022-11-11 | 同济大学 | 一种城市片区道路网交通承载力计算方法 |
CN115331426B (zh) * | 2022-06-30 | 2023-12-01 | 同济大学 | 一种城市片区道路网交通承载力计算方法 |
CN115512552B (zh) * | 2022-09-15 | 2023-09-26 | 云控智行科技有限公司 | 车流量统计方法、装置及设备 |
CN115512552A (zh) * | 2022-09-15 | 2022-12-23 | 云控智行科技有限公司 | 车流量统计方法、装置及设备 |
CN115830874A (zh) * | 2023-02-10 | 2023-03-21 | 西南交通大学 | 一种交通流基本图的拟合性能评价方法及系统 |
CN115830874B (zh) * | 2023-02-10 | 2023-05-12 | 西南交通大学 | 一种交通流基本图的拟合性能评价方法及系统 |
CN116528152B (zh) * | 2023-07-04 | 2023-09-08 | 李丽 | 基于智慧文旅的通讯数据处理系统及方法 |
CN116528152A (zh) * | 2023-07-04 | 2023-08-01 | 北京亚琪夜游科技有限公司 | 基于智慧文旅的通讯数据处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113947905B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113947905B (zh) | 一种交通运行态势感知方法、模块及系统 | |
Ortigosa et al. | Study on the number and location of measurement points for an MFD perimeter control scheme: a case study of Zurich | |
CN103247177B (zh) | 大规模路网交通流实时动态预测系统 | |
EP2422330B1 (en) | Predicting expected road traffic conditions based on historical and current data | |
US20140222321A1 (en) | Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data | |
Kurzhanskiy et al. | Active traffic management on road networks: a macroscopic approach | |
Innamaa | Short-term prediction of travel time using neural networks on an interurban highway | |
KR100820467B1 (ko) | 도로 차선 종류를 고려한 구간 교통량 예측 시스템 및 그방법 | |
CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
CN104851293B (zh) | 一种基于地点车速的路段交通拥堵指数评价方法 | |
CN105355049A (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN114093168A (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
Houbraken et al. | Examining the potential of floating car data for dynamic traffic management | |
Nie et al. | Optimizing actuated traffic signal control using license plate recognition data: Methods for modeling and algorithm development | |
Gore et al. | Congestion index and reliability-based freeway level of service | |
Shang et al. | Estimation of traffic energy consumption based on macro-micro modelling with sparse data from Connected and Automated Vehicles | |
Rodriguez-Vega et al. | Dynamic density and flow reconstruction in large-scale urban networks using heterogeneous data sources | |
Huang et al. | Real time delay estimation for signalized intersection using transit vehicle positioning data | |
Roncoli et al. | Highway traffic state estimation using speed measurements: case studies on NGSIM data and highway A20 in the Netherlands | |
Yang et al. | Analyzing travel time belief reliability in road network under uncertain random environment | |
CN103280109B (zh) | 旅行时间的获取方法及装置、预测系统 | |
CN111105617B (zh) | 基于矩阵稳定性分析的智能交通预测系统 | |
Roncoli et al. | Use of speed measurements for highway traffic state estimation: Case studies on NGSIM data and highway A20, Netherlands | |
CN112185112A (zh) | 一种基于人工智能的交通管理方法、设备及系统 |
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 |