CN114038194A - 基于雾计算的自适应交通信号灯控制 - Google Patents
基于雾计算的自适应交通信号灯控制 Download PDFInfo
- Publication number
- CN114038194A CN114038194A CN202111324484.1A CN202111324484A CN114038194A CN 114038194 A CN114038194 A CN 114038194A CN 202111324484 A CN202111324484 A CN 202111324484A CN 114038194 A CN114038194 A CN 114038194A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road
- compactness
- fog
- traffic flow
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 title claims description 9
- 239000003016 pheromone Substances 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 3
- 241000497429 Obus Species 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G06Q50/40—
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
Abstract
本发明涉及一种基于雾计算的区域级自适应交通信号灯控制方案,宏观和微观调控相结合来调节交通信号灯来控制城市的交通流量。包括:宏观上,对城市的交通路网进行建模,划分为多个六边形子区域,我们可以得到区域之间的紧密程度。微观上,通过车辆信息素来量化道路的拥塞水平,自适应地调控交通信号灯。此外,当交通拥堵发生时,雾服务器通过区域之间的协作来实时控制信号灯,有效地引导交通流以缓解和疏通交通拥塞。本发明相较于传统的基于云计算的模型具有低延时、高扩展、支持移动性。
Description
技术领域
本发明属于智能交通系统领域,具体涉及一种雾计算区域协调交通信号灯控制方法。
背景技术
定时信号配时方法,国际上主要有英国的韦伯斯特(Webster)配时法,在其基础上,澳大利亚的ARRB(Australian Road Research Board)配时法考虑了超饱和交通情况,是Webster延误模型的修正及扩展。美国的HCM(Highway Capacity Man)配时法运用也较为广泛。但是这些配时方法都是静态的。
随着城市中车辆数量的快速增长,城市的交通拥堵现像已经变得越来越普遍。交通拥堵会导致各种社会、经济和环境问题。当前,随着无线通信技术的飞速发展,车联网(IoV)已经成为车、人、路边基础设施之间必不可少的信息交流平台。车联网提高了道路安全和交通效率,极大地促进了智能交通系统(ITS)的发展,智能交通系统可以有效地避免甚至解决交通拥堵。因此,许多研究者提出了基于云计算的车联网框架。因此,动态交通信号灯配时方法显得尤为重要。
传统的车联网面临着延迟高、可扩展性底、不支持移动性等缺点,许多研究者提出了基于雾计算的车联网框架。如图1所示,给出了基于雾计算的三层车联网架构。雾计算是将云计算的计算、存储等功能从网络中心转移到网络边缘的一种新型架构。与云计算相比,雾计算虽然具有相对较低的计算和存储能力,但其处理网络边缘数据的延迟较低。因此,在车联网中引入雾计算体系结构为交通数据的处理和分析提供了一个很好的选择。在该组合架构中,每辆车都被视为一个带有多个传感器(如车载单元、OBU)的移动智能设备,所有雾服务器部署在车辆网络的边缘,通过道路侧单元(RSU)实时获取、处理和存储交通数据。基于雾计算的车联架构通过车对车(V2V)和车对rsu(V2R)提高了交通数据的交互和分析效率。因此,基于雾计算的车联可以进一步帮助智能交通系统改善交通管理。
目前针对交通拥堵的智能交通系统解决方案也分为两类:1)一种方法是将部分车辆改道远离拥堵区;2)另一种方法是智能交通灯控制策略,以有效利用道路资源。然而,由于城市路网交通管理是一种全局范围的管理,微观交通管理模式存在一定的局限性。例如,一些局部交通管理方案很难从整体上有效地协调和控制城市路网的大规模拥堵。因此,在全局范围内大规模城市路网中构建有效的交通拥堵控制与管理方法是一个重要的研究挑战。由于城市区域可以划分为多个区域进行管理,网格化管理在改善大规模城市道路网络交通管理方面具有很大的潜力。在交通领域中,基于网格化管理,提出了交通系统宏观基本图(MFD)的概念,用于模拟交通网络和交通流。因此,本发明在基于雾计算的车联网的基础上,构建了一种适用于大规模城市路网的智能交通系统的交通灯控制方案。
发明内容
(一)解决技术问题
针对现有技术的不足,本发明提出了一种基于雾计算的交通信号灯局域协作控制方案,可以有效地缓解交通拥堵,并且区别于传统云计算的高时延。
(二)技术方案
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的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
为实现以上目的,本发明通过以下技术方案予以实现:
A本发明实施例提供了一种雾计算的交通信号灯区域协同控制方案,包括:对城市进行宏观和微观层面的建模,宏观层面即对城市区域级交通流进行建模,由基于区域的交通管理框架,将城市区域划分为一些功能区,这些功能区由一些雾服务器通过相关的rsu进行管理。另外,我们建立了交通流的社会关系模型,通过历史交通数据来反映这些划分的管理区域之间的社会关系。社会关系可以代表这些管理区域的交通紧密程度,以便在交通拥堵发生时引导交通流。微观层面即对十字路口及道路车流进行建模,用来表示路段的拥塞程度。
B本发明构建一个与拥堵道路相关的子路网,即在交通路网中剔除一些受拥堵影响较小的道路。当交通拥堵发生时,如果不及时处理,其影响将迅速蔓延,造成严重的交通瘫痪。
C本发明提出了两种交通信号灯管理方案来控制交通流量。第一种为局部交通灯自适应控制方案,不考虑交通流的社会关系,用于平衡局部交通流。第二种为区域协同控制方案,进一步考虑了划分的管理区域之间交通流的社会特征,用于平衡全局交通流。
与现有技术相比,本发明的有益效果:
1、本发明系基于雾计算的智能交通系统框架,相较于传统的云计算框架,本发明具有低延时、支持车辆移动性、分布式、高扩展性等优点。
2、相较于传统的集中式交通管理框架,本发明是分布式框架,能合理的利用计算资源,精确的进行控制。
3、本发明区别于传统的静态交通信号灯和局部的动态信号灯,提出了一种区域协调控制的交通信号灯
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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示出的结构获得其他的附图。
图1为本发明的系统架构图,基于雾计算的智能交通系统模型;
图2为本发明提供的基于雾计算的城市交通网络建模图。
图3为本发明提供的受交通拥堵影响的子网络建模图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1为本发明提出的基于雾计算的智能交通系统模型图。第一层为雾层,第二层为终端设备层。雾层主要由雾服务器和RSU组成,可以存储历史交通信息。另外,在我们的方案中,它负责计算出发点到目的点之间的最短路径,以及计算区域之间的实时交通紧密程度。终端设备层包括交通监控设备、交通信号灯、车辆(配备OBUs)等。终端设备层通过路边单位收集相关交通信息并发送给雾服务器,并且接收雾服务器的指令控制和管理交通流量。
请参见图2,图2为基于雾计算的城市交通网络建模图,如图2所示。在城市区域中,交通流具有一定的社会属性,即根据驾驶员的兴趣,某些车辆的目的地可能是相似的。因此,我们将城市区域划分为一些正六边形区域(如网格)。每个区域中有一个雾服务器,负责管理区域内所有相关的rsu。此外,每个区域的 rsu负责与同一区域的车辆通信。
实施例一的具体步骤有
S1对城市进行宏观上的建模,求出其区域之间的紧密度。在本发明中,区域紧密度由动态紧密度及静态紧密度构成。
S11、动态紧密度:取决于从一个区域到另一个区域的交通车流量,为离开这个区域到另一个区域的车流量与离开这个区域的总车辆量的比值。从区域i到区域j在时间间隔t内的动态紧密度为:
S12静态紧密度:在现实世界中,人们通常会考虑从一个地区到另一个地区的时间或距离最短路径。在该方案中,采用了基于距离的最短路径方法。通过计算每个区域中每个节点与每条边之间的介数来衡量区域之间的静态紧密度。
σ(k,l,{i,j})是从源节点k到目的节点l并且通过边{i,j}的最短路径数量。σ(k,l)是从源点k到到目的点l的最短路径数。
S13、区域紧密度:区域紧密度结合了动态紧密度及静态紧密度。其中Ak为源区域,Al为目的区域。根据交通流的社会特征,我们对公式3进行如下修正:
进一步,我们获得了区域Ak和道路{i,j}在一个时刻t的连接度如下:
AS是划分的区域的集合。
S2、对城市交通网络进行微观的建模。
我们使用道路信息素来衡量微观层面的交通拥堵程度。道路信息素的定义如下:
Num(p,T)是在(T-t,T]时刻内通过道路p的车辆数目,t是时间步长,LenVeh 是车辆的平均长度,Lenp是道路p的长度,Lenp是道路p的车道数量。根据公式 4,我们可以知道道路信息素可以表示道路的覆盖率。在一个城市交通道路网络中,高的道路覆盖率代表着这里道路上有大量的车辆,可以用来衡量当前道路的拥塞程度。
然后定义蒸发速率来更新交通信息素。在自然界,信息素的更新过程包括信息素的蒸发和信息素的增值。信息素蒸发是指信息素随着时间的推移而消失,定义如下:
表示的是道路p在(T-t,T]时间段内的平均速度,t是一个时间步长, VMaxp代表着车道p的最大速度限制,|Halts(p,T)|表示在(T-t,T]因为交通拥堵或者等待信号灯而停止在道路p中的车辆。因此我们可以获得融合信息素如下:
τ(p,T)=(1-e(p,T))×τ'(p,T) (8)
从上面的公式可以得知,车辆行驶的越慢,就会留下越多的信息素。相反,车辆行驶的速度越快,留下的信息素就越少。如果车辆平均速度达到最大速度限制,则接近于1,|Halts(p,T)|接近于0,因此公式e(p,T)等于1,没有信息素被留下。另一方面,当道路拥挤时,e(p,T)趋于0时,交通信息素达到最大值。
实施例二
本发明实施例还提供了一种雾计算交通信号灯控制方法,包括步骤:
S3、基于雾计算的区域的自适应交通信号灯协调控制。
S31、子网络的构建:构建一个与拥堵道路相关的子路网,即在交通路网中剔除一些受拥堵影响较小的道路。
S32、交通信号灯的局部自适应控制:我们假设所有的道路都是双向车道。因此,交叉口的入度车道需要竞争绿灯。在我们的方案中,交叉入度车道信息素含量越高,分配的绿灯时间越长。因此,绿色持续时间可以根据实时的动态交通流量进行调整。在许多ITS应用中,交通信号灯的持续时间通常是静态的。韦伯斯特法主要用于根据交通流设置交通信号灯的最佳时值。
式中:C0是最佳周期时长(s);L是信号周期内的总损失时间(包括启动延时时间和结束延时时间);Y是一个周期内的所有关键相位关键车道的流量比之和。
我们的自适应交通信号灯的绿色相位时长是在Webster方法基础上进行调整的。进一步,我们设置了相位的最短持续时长来防止过于频繁的切换相位,同时设置了时间步长来动态的调整信号灯时长。假设Link(i)表示交叉路口i的入度的边集合,并且num(i)表示交叉路口i的入度道路的数目,那么交叉路口i的入度边在时刻T的平均信息素可以表示为:
式中τ(x,T)是道路x的融合信息素。道路x在T时刻绿色相位持续时间的设置如下:
Time(x,T)=Tstd+ɑ·(τ(x,T)-average_pher(i,T)) (11)
式中Time(x,T)是修正后的绿色相位持续时长,Tstd是预设的绿色相位时长,由Webster方法来确定。ɑ是修正系数。
S33、区域协调控制:在局部自适应交通灯调整方案的基础上,增加了划分的交通管理区域的连接度,即在交通信号灯管理方案中考虑交通流的社会特征,从而更精确地调整交通信号灯。因此,当a道路出现交通拥堵时,我们对受拥堵影响的相关道路l的信息素进行如下调整。
Claims (3)
1.基于雾计算的自适应区域级交通信号灯控制方案,其特征在于,包含:
(A)方案建立了一个基于雾计算的区域级的城市路网管理模型。将城市区域划分为若干六边形的子区域,这些子区域由其雾服务器进行管理。另外,在区域模型的基础上,建立了交通流的社会关系模型,通过历史交通数据来反映这些划分的管理区域之间车流的社会关系。社会关系可以代表这些管理区域的动态交通紧密程度。根据路网中的节点与边关系,可以得到区域之间的静态紧密度。静态紧密度结合动态紧密度便可以得到区域之间的紧密度,以便在交通拥堵发生时引导交通流。
(B)方案提出了两种交通信号灯管理方案来控制交通流量。第一种为局部交通灯自适应控制方案,不考虑交通流的社会关系,用于平衡局部交通流。第二种为区域协同控制方案,进一步考虑了划分的管理区域之间交通流的社会特征,用于平衡全局交通流。
2.在A中,基于区域的雾计算管理模型,如图1,其特征在于,包含:
第一层为雾层,第二层为终端设备层。雾层主要由雾服务器和RSU组成,可以存储历史交通信息。另外,在我们的方案中,它负责计算出发点到目的点之间的最短路径,以及计算区域之间的实时交通紧密程度。终端设备层包括交通监控设备、交通信号灯、车辆(配备OBUs)等。终端设备层通过路边单位收集相关交通信息并发送给雾服务器,并且接收雾服务器的指令控制和管理交通流量。
3.基于雾计算的区域级自适应交通信号灯控制方法,其特征在于,包括了以下步骤:
S1对城市进行宏观上的建模,并且求出其区域之间的紧密度,在本发明中,区域紧密度由动态紧密度及静态紧密度构成。
S11、计算区域之间的动态紧密度,取决于从区域之间的的交通车流量。
S12、计算区域之间的静态紧密度,即区域与区域之间的顶点和边的关系。
S13、结合区域的动态紧密度和静态紧密度计算区域的紧密度。
S2对城市交通网络进行微观的建模,利用fog服务器结合信息素来量化出道路的拥堵水平。结合了道路信息素的概念,量化道路的拥挤水平为:
Num(p,T)是在(T-t,T]时刻内通过道路p的车辆数目,t是时间步长,是车辆的平均长度,是道路p的长度,是道路p的车道数量。根据公式4,我们可以知道道路信息素可以表示道路的覆盖率。在一个城市交通道路网络中,高的道路覆盖率代表着这里道路上有大量的车辆,可以用来衡量当前道路的拥塞程度。
S3基于雾计算的区域的自适应交通信号灯协调控制。
S31、子网络的构建,如图3构建一个与拥堵道路相关的子路网,即在交通路网中剔除一些受拥堵影响较小的道路。
S32、交通信号灯的局部自适应控制,我们假设所有的道路都是双向车道。因此,交叉口的入度车道需要竞争绿灯。在我们的方案中,交叉入度车道信息素含量越高,分配的绿灯时间越长。因此,绿色持续时间可以根据实时的动态交通流量进行调整。在许多ITS应用中,交通信号灯的持续时间通常是静态的。韦伯斯特法主要用于根据交通流设置交通信号灯的最佳时值。
Time(x,T)=Tstd+ɑ·(τ(x,T)-average_pher(i,T))
303:区域协调控制,在局部自适应交通灯调整方案的基础上,增加了划分的交通管理区域的连接度,即在交通信号灯管理方案中考虑交通流的社会特征,从而更精确地调整交通信号灯。因此,当a道路出现交通拥堵时,我们对受拥堵影响的相关道路l的信息素进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324484.1A CN114038194A (zh) | 2021-11-10 | 2021-11-10 | 基于雾计算的自适应交通信号灯控制 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324484.1A CN114038194A (zh) | 2021-11-10 | 2021-11-10 | 基于雾计算的自适应交通信号灯控制 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114038194A true CN114038194A (zh) | 2022-02-11 |
Family
ID=80143872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324484.1A Pending CN114038194A (zh) | 2021-11-10 | 2021-11-10 | 基于雾计算的自适应交通信号灯控制 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114038194A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492592A (zh) * | 2018-03-01 | 2018-09-04 | 西安理工大学 | 一种基于雾计算的交通灯智能控制系统及其控制方法 |
CN110580814A (zh) * | 2019-10-22 | 2019-12-17 | 北京航空航天大学 | 一种交通信号灯的配时方法和装置 |
US10515549B1 (en) * | 2018-07-11 | 2019-12-24 | Here Global B.V. | Method, apparatus, and computer program product for evaluating public transportation use |
CN111311932A (zh) * | 2020-03-02 | 2020-06-19 | 哈尔滨工程大学 | 一种基于车联网区块链的智能交通灯配时方法 |
CN113112823A (zh) * | 2021-04-14 | 2021-07-13 | 吉林大学 | 一种基于mpc的城市路网交通信号控制方法 |
CN113409598A (zh) * | 2021-06-08 | 2021-09-17 | 智道网联科技(北京)有限公司 | 区域道路交通信号灯协同联动自适应配时方法及装置 |
CN113492879A (zh) * | 2020-03-19 | 2021-10-12 | 本田技研工业株式会社 | 信息处理装置及其控制方法、车辆以及记录介质 |
CN113538897A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的城市交通区域迭代学习边界控制方法 |
-
2021
- 2021-11-10 CN CN202111324484.1A patent/CN114038194A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492592A (zh) * | 2018-03-01 | 2018-09-04 | 西安理工大学 | 一种基于雾计算的交通灯智能控制系统及其控制方法 |
US10515549B1 (en) * | 2018-07-11 | 2019-12-24 | Here Global B.V. | Method, apparatus, and computer program product for evaluating public transportation use |
CN110580814A (zh) * | 2019-10-22 | 2019-12-17 | 北京航空航天大学 | 一种交通信号灯的配时方法和装置 |
CN111311932A (zh) * | 2020-03-02 | 2020-06-19 | 哈尔滨工程大学 | 一种基于车联网区块链的智能交通灯配时方法 |
CN113492879A (zh) * | 2020-03-19 | 2021-10-12 | 本田技研工业株式会社 | 信息处理装置及其控制方法、车辆以及记录介质 |
CN113112823A (zh) * | 2021-04-14 | 2021-07-13 | 吉林大学 | 一种基于mpc的城市路网交通信号控制方法 |
CN113538897A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的城市交通区域迭代学习边界控制方法 |
CN113409598A (zh) * | 2021-06-08 | 2021-09-17 | 智道网联科技(北京)有限公司 | 区域道路交通信号灯协同联动自适应配时方法及装置 |
Non-Patent Citations (1)
Title |
---|
安萌萌等: "基于雾计算和强化学习的交通灯智能协同控制研究", 《计算机应用研究》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | A survey on traffic signal control methods | |
Balta et al. | A 3-stage fuzzy-decision tree model for traffic signal optimization in urban city via a SDN based VANET architecture | |
CN108198412B (zh) | 车联网下基于mfd的过饱和路网多层控制边界动态划分方法 | |
Kwatirayo et al. | Adaptive traffic light control using VANET: A case study | |
Maslekar et al. | CATS: An adaptive traffic signal system based on car-to-car communication | |
Ouallane et al. | Overview of road traffic management solutions based on IoT and AI | |
Gupte et al. | Vehicular networking for intelligent and autonomous traffic management | |
CN107507430A (zh) | 一种城市路口交通控制方法及系统 | |
CN110276964A (zh) | 一种智能调节交通灯时间的方法 | |
CN104916142A (zh) | 一种干道优先的交叉口自适应交通信号控制方法 | |
Kim et al. | Navopt: Navigator assisted vehicular route optimizer | |
Sattari et al. | A dynamic vehicular traffic control using ant colony and traffic light optimization | |
CN113362605B (zh) | 基于潜在同质区域分析的分布式高速路优化系统及方法 | |
CN111768639A (zh) | 一种网联交通环境下的多交叉口信号配时系统及其方法 | |
Belbachir et al. | Smart mobility using multi-agent system | |
Hawas et al. | Autonomous real time route guidance in inter-vehicular communication urban networks | |
Zhang et al. | Robust autonomous intersection control approach for connected autonomous vehicles | |
CN110428618A (zh) | 基于VANETs的双向车道拥堵检测及信息转发方法 | |
CN113823102B (zh) | 软件定义车载网络环境下的自适应信号配时方法 | |
Santamaria et al. | An efficient traffic management protocol based on IEEE802. 11p standard | |
CN105743783A (zh) | 基于bs-ts和自编码网络的车联网网络节点筛选方法及其通达性路由机制 | |
Chen et al. | A geographic routing protocol based on trunk line in VANETs | |
CN113470390B (zh) | 短连线交叉口边缘节点融合的多相位动态协调控制方法 | |
Elbery et al. | Vehicular crowd management: An iot-based departure control and navigation system | |
CN114038194A (zh) | 基于雾计算的自适应交通信号灯控制 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220211 |