CN114202913B - 一种在车联网环境下考虑遵从程度的逐日路径规划方法 - Google Patents

一种在车联网环境下考虑遵从程度的逐日路径规划方法 Download PDF

Info

Publication number
CN114202913B
CN114202913B CN202111361270.1A CN202111361270A CN114202913B CN 114202913 B CN114202913 B CN 114202913B CN 202111361270 A CN202111361270 A CN 202111361270A CN 114202913 B CN114202913 B CN 114202913B
Authority
CN
China
Prior art keywords
travelers
path
travel time
internet
day
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
Application number
CN202111361270.1A
Other languages
English (en)
Other versions
CN114202913A (zh
Inventor
常玉林
徐文倩
孙超
张鹏
高双喜
杨帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202111361270.1A priority Critical patent/CN114202913B/zh
Publication of CN114202913A publication Critical patent/CN114202913A/zh
Application granted granted Critical
Publication of CN114202913B publication Critical patent/CN114202913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明提供了一种在车联网环境下考虑遵从程度的逐日路径规划方法，首先将路网中出行者分为三类，并计算三类出行者的认知出行时间，根据认知出行时间，计算第i类出行者在第t天选择路径l出行的概率，根据出行者路径选择概率、网联车出行者的占比以及遵从车联网交通信息的出行者比例，计算分配后的路径流量，将分配后的路径流量转化为路网各路段的流量，利用路网各路段的流量计算实际出行时间，计算三类出行者逐日的出行时间，并求解路网各路段的流量。本发明可提高城市路网的稳定性，缓解城市路网拥堵，避免浪费道路资源。

Description

一种在车联网环境下考虑遵从程度的逐日路径规划方法
技术领域
本发明属于交通规划管理领域，具体涉及一种在车联网环境下考虑遵从程度的逐日路径规划方法。
背景技术
车联网(Internet of Vehicles)技术是一个配备传感器、软件和技术的车辆网络技术，可以实现交通管理现代化、信息服务动态化以及车辆控制智能化等功能，是物联网技术在交通系统领域的典型应用。随着科学技术的发展，车联网技术在全球范围内得到了普及和一些应用。网联车的加入使得实时交通信息更具有时效性，其对城市交通的影响主要体现在实时交通信息对网联车出行者的路径选择行为上，车联网平台终端通过实时发布交通信息来诱导车辆在行驶过程中避开拥堵路段转行到畅通路段，节约出行者的出行时间成本和费用，进而缓解城市交通拥堵状况。现有的规划方法是依据网联车辆遵循SUE(随机用户均衡)原则来完成出行，但实际上，车联网信息通常由网络中心的管理者所发布，网联车应当根据发布的实时路况信息遵循SSO(随机系统最优)原则来抉择出行路径。此外，出行者对动态信息遵从情况的考虑不全，也使得规划结果与实际情况有所偏差。车联网环境下，路网中存在混合交通流，并非所有的车辆都是网联车，也有一些是非网联车用户，同时网联车也分为几个等级，最高等级为无人驾驶车，无人驾驶车只遵循SSO原则出行，但其余等级网联车用户中也分布着一些不遵从车联网信息的出行者。
发明内容
有鉴于此，本发明提供了一种在车联网环境下考虑遵从程度的逐日路径规划方法。
本发明是通过以下技术手段实现上述技术目的的。
一种在车联网环境下考虑遵从程度的逐日路径规划方法，具体为：
将路网中出行者分为非网联车出行者、完全遵从信息的网联车出行者和不完全遵从信息的网联车出行者，并计算三类出行者的认知出行时间；
根据认知出行时间，计算第i类出行者在第t天选择路径l出行的概率；
根据出行者路径选择概率、网联车出行者的占比μ以及遵从车联网交通信息的出行者比例λ，计算分配后的路径流量；
将分配后的路径流量转化为路网各路段的流量，利用路网各路段的流量计算实际出行时间；
计算三类出行者逐日的实际出行时间，并求解路网各路段的流量。
进一步地，所述三类出行者的认知出行时间具体为：
非网联车出行者的认知出行时间为：
Figure BDA0003359092050000021
其中，W为网络OD对集合，Lw为OD对w间路径集合，t表示时间序号，
Figure BDA0003359092050000022
表示非网联车出行者第t天在路径l上的认知出行时间确定项，ε是出行者对路径l的认知出行时间的随机误差参数；
完全遵从信息的网联车出行者的认知出行时间为：
Figure BDA0003359092050000023
不完全遵从信息的网联车出行者的认知出行时间为：
Figure BDA0003359092050000024
其中，
Figure BDA0003359092050000025
表示完全遵从信息的网联车出行者在第t天在路径l上的认知出行时间确定项，
Figure BDA0003359092050000026
表示不完全遵从信息的网联车出行者在第t天在路径l上的认知出行时间确定项，Cm表示为对第二类、第三类出行者征收的边际路径出行时间。
进一步地，所述分配后的路径流量为：
Figure BDA0003359092050000027
式中：qw是高峰小时交通流量，
Figure BDA0003359092050000028
是三类出行者选择路径l的概率集合，[1-μ,μ·λ,μ·(1-λ)]是三类出行者的OD量分配系数矩阵。
进一步地，所述三类出行者逐日的实际出行时间具体为：
非网联车出行者逐日的出行时间为：
Figure BDA0003359092050000029
式中：α是与时间无关的一个参数，δw是路段-路径转换矩阵，T表示转置，
Figure BDA00033590920500000210
是第t天时出行者遵循SUE原则下所有路段实际出行时间；
完全遵从信息的网联车出行者逐日的出行时间为：
Figure BDA00033590920500000211
式中：
Figure BDA00033590920500000212
是第t天时出行者遵循SSO原则下所有路段实际出行时间；
不完全遵从信息的网联车出行者逐日的出行时间为：
Figure BDA0003359092050000031
式中：β表示出行者对车联网信息的遵从程度。
进一步地，所述路网各路段的流量根据逐日的出行时间进行计算，具体为：
对路径实际出行时间进行更新，计算更新后各类出行者逐日的出行时间
Figure BDA0003359092050000032
对路径实际出行时间进行更新，计算辅助路径流量
Figure BDA0003359092050000033
确定搜索方向为
Figure BDA0003359092050000034
路径流量
Figure BDA0003359092050000035
和辅助路径流量
Figure BDA0003359092050000036
通过线性搜索，得到固定迭代步长为1/t，计算更新的路径流量为
Figure BDA0003359092050000037
基于更新的路径流量集合转化为路网各路段的流量。
进一步地，所述第i类出行者在第t天选择路径l出行的概率为：
Figure BDA0003359092050000038
其中θ表示所有出行者的认知出行时间误差的离散参数。
进一步地，所述分配后的路径流量转化为路网各路段的流量，是根据下列公式进行的：
Figure BDA00033590920500000312
其中δw是路段-路径转换矩阵。
进一步地，所述计算实际出行时间，是根据下列公式进行的：
Figure BDA0003359092050000039
其中
Figure BDA00033590920500000310
是路段a的自由流出行时间，
Figure BDA00033590920500000311
是路段a的容量。
本发明的有益效果是：本发明在车联网环境下考虑遵从程度的逐日路径规划方法，通过将出行者划分类别并计算三类出行者的认知出行时间，根据认知出行时间，计算第i类出行者在第t天选择路径l出行的概率；根据出行者路径选择概率、网联车出行者的占比以及遵从车联网交通信息的出行者比例，计算分配后的路径流量；将分配后的路径流量转化为路网各路段的流量，利用路网各路段的流量计算实际出行时间；计算三类出行者逐日的出行时间，并求解路网各路段的流量；本发明方法保障路网交通均衡，提高道路的利用率，避免浪费道路资源，提升路网稳定性和节约用户出行成本。
附图说明
图1为本发明所述在车联网环境下考虑遵从程度的逐日路径规划方法流程图；
图2为本发明使用相继平均(MSA)算法求解路网各路段的流量流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，本发明在车联网环境下考虑遵从程度的逐日路径规划方法，具体包括以下步骤：
步骤(1)，根据出行者是否为网联车用户以及对车联网信息的遵从程度，将路网中出行者分为三类，分别是非网联车出行者、完全遵从信息的网联车出行者和不完全遵从信息的网联车出行者；考虑出行误差，出行者依据认知出行时间来选择出行路径。
步骤(2)，根据步骤(1)对出行者的分类，计算三类出行者的认知出行时间，第一类出行者遵循SUE原则来选择当日出行路径，第二、三类的网联车出行者遵循SSO原则选择当日出行路径；
基于Logit的SUE原则，第一类非网联车出行者的认知出行时间可表示如下：
Figure BDA0003359092050000041
其中，W为网络OD对集合，Lw为OD对w间路径集合，t表示时间序号，
Figure BDA0003359092050000042
表示非网联车出行者第t天在路径l上的认知出行时间确定项(实际出行时间)，ε是出行者对路径l的认知出行时间的随机误差参数；
基于Logit的SSO原则，第二、三类网联车出行者的认知出行时间计算公式如下：
Figure BDA0003359092050000043
Figure BDA0003359092050000044
其中，
Figure BDA0003359092050000045
表示完全遵从信息的网联车出行者在第t天在路径l上的认知出行时间确定项，
Figure BDA0003359092050000046
表示不完全遵从信息的网联车出行者在第t天在路径l上的认知出行时间确定项，Cm表示为对第二类、第三类出行者征收的边际路径出行时间。
步骤(3)，根据步骤(2)所计算的认知出行时间，计算第i类出行者在第t天选择路径l出行的概率。
第i类出行者在第t天选择路径l出行的概率如下：
Figure BDA0003359092050000051
式中：θ表示所有出行者的认知出行时间误差的离散参数，θ越大则路网所有出行者的认知出行时间越精准。
步骤(4)，根据步骤(3)的出行者路径选择概率、网联车出行者的占比μ以及遵从车联网交通信息的出行者比例λ，计算分配后的路径流量；
分配后的路径流量计算公式为：
Figure BDA0003359092050000052
式中：qw是高峰小时交通流量，
Figure BDA0003359092050000053
是三类出行者选择路径l的概率集合，[1-μ,μ·λ,μ·(1-λ)]是三类出行者的OD量分配系数矩阵。
步骤(5)，分配后的路径流量进一步转化，得出路网各路段的流量，基于路阻函数利用路网各路段的流量计算实际出行时间。
路网各路段的流量转化公式如下：
Figure BDA0003359092050000054
其中δw是路段-路径转换矩阵，如果路径l中包含路段a，则δw中第a行第l列的对应项为1；否则，则为0。
利用路阻函数计算出实际出行时间的公式如下：
Figure BDA0003359092050000055
式中：
Figure BDA0003359092050000056
是路段a的自由流出行时间，
Figure BDA0003359092050000057
是路段a的容量。
步骤(6)，根据步骤(1)对出行者的划分，计算三类出行者逐日的实际出行时间，运用迭代算法框架中的相继平均(MSA)算法，求解路网各路段的流量。
第一类出行者逐日的出行时间可用下式表示：
Figure BDA0003359092050000058
式中：α是与时间无关的一个参数，表示出行者对前一天的出行历史经验的依赖程度，若α越大，则表明出行者对前一天历史出行经验越依赖，反之，则是越不依赖；T表示转置，
Figure BDA0003359092050000059
是第t天时出行者遵循SUE原则下所有路段实际出行时间。
第二类出行者逐日的出行时间的计算公式如下：
Figure BDA0003359092050000061
式中：
Figure BDA0003359092050000062
是第t天时出行者遵循SSO原则下所有路段实际出行时间。
第三类出行者逐日的出行时间的计算公式为：
Figure BDA0003359092050000063
式中：β表示出行者对车联网信息的遵从程度，β越大，则依赖程度越高，反之，依赖程度越低。
如图2所示，求解路网各路段的流量的具体步骤包括：
1)列出OD对w之间所有路径的集合
Figure BDA0003359092050000064
设置迭代时间t＝1以及收敛精度σ，计算出路径l上的初始路径流量集合
Figure BDA0003359092050000065
根据给定的
Figure BDA0003359092050000066
计算OD对w之间的初始路径实际出行时间；
2)通过迭代，对路径实际出行时间进行更新，计算更新后各类出行者逐日的出行时间
Figure BDA0003359092050000067
3)确定搜索方向：对路径实际出行时间进行更新，计算辅助路径流量
Figure BDA0003359092050000068
则搜索方向为
Figure BDA0003359092050000069
4)路径流量更新：路径流量
Figure BDA00033590920500000610
和辅助路径流量
Figure BDA00033590920500000611
通过线性搜索，得到固定迭代步长为1/t，计算更新的路径流量为
Figure BDA00033590920500000612
5)若
Figure BDA00033590920500000613
则停止迭代；否则，令t＝t+1，转到2)；基于更新的路径流量集合转化为路网各路段的流量。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (5)

1.一种在车联网环境下考虑遵从程度的逐日路径规划方法，其特征在于：
将路网中出行者分为非网联车出行者、完全遵从车联网交通信息的网联车出行者和不完全遵从车联网交通信息的网联车出行者，并计算三类出行者的认知出行时间；
根据认知出行时间，计算第i类出行者在第t天选择路径l出行的概率；
根据出行者路径选择概率、网联车出行者的占比μ以及遵从车联网交通信息的出行者比例λ，计算分配后的路径流量；
将分配后的路径流量转化为路网各路段的流量，利用路网各路段的流量计算实际出行时间；
计算三类出行者逐日的实际出行时间，并求解路网各路段的流量；
所述三类出行者的认知出行时间具体为：
非网联车出行者的认知出行时间为：
Figure FDA0003936704120000011
其中，W为网络OD对集合，Lw为OD对w间路径集合，t表示时间序号，
Figure FDA0003936704120000012
表示非网联车出行者第t天在路径l上的认知出行时间确定项，ε是出行者对路径l的认知出行时间的随机误差参数；
完全遵从车联网交通信息的网联车出行者的认知出行时间为：
Figure FDA0003936704120000013
不完全遵从车联网交通信息的网联车出行者的认知出行时间为：
Figure FDA0003936704120000014
其中，
Figure FDA0003936704120000015
表示完全遵从车联网交通信息的网联车出行者在第t天在路径l上的认知出行时间确定项，
Figure FDA0003936704120000016
表示不完全遵从车联网交通信息的网联车出行者在第t天在路径l上的认知出行时间确定项，Cm表示为对第二类、第三类出行者征收的边际路径出行时间；
所述第i类出行者在第t天选择路径l出行的概率为：
Figure FDA0003936704120000017
其中θ表示所有出行者的认知出行时间误差的离散参数，n表示OD对之间路径总数；
所述三类出行者逐日的实际出行时间具体为：
非网联车出行者逐日的出行时间为：
Figure FDA0003936704120000021
式中：α是与时间无关的一个参数，δw是路段-路径转换矩阵，T表示转置，
Figure FDA0003936704120000022
是第t天时出行者遵循SUE原则下所有路段实际出行时间；
完全遵从车联网交通信息的网联车出行者逐日的出行时间为：
Figure FDA0003936704120000023
式中：
Figure FDA0003936704120000024
是第t天时出行者遵循SSO原则下所有路段实际出行时间；
不完全遵从车联网交通信息的网联车出行者逐日的出行时间为：
Figure FDA0003936704120000025
式中：β表示出行者对车联网信息的遵从程度。
2.根据权利要求1所述的在车联网环境下考虑遵从程度的逐日路径规划方法，其特征在于，所述分配后的路径流量为：
Figure FDA0003936704120000026
式中：qw是高峰小时交通流量，
Figure FDA0003936704120000027
是三类出行者选择路径l的概率集合，[1-μ,μ·λ,μ·(1-λ)]是三类出行者的OD量分配系数矩阵。
3.根据权利要求1所述的在车联网环境下考虑遵从程度的逐日路径规划方法，其特征在于，所述路网各路段的流量根据逐日的出行时间进行计算，具体为：
对路径实际出行时间进行更新，计算更新后各类出行者逐日的出行时间
Figure FDA0003936704120000028
对路径实际出行时间进行更新，计算辅助路径流量
Figure FDA0003936704120000029
确定搜索方向为
Figure FDA00039367041200000210
路径流量
Figure FDA00039367041200000211
和辅助路径流量
Figure FDA00039367041200000212
通过线性搜索，得到固定迭代步长为1/t，计算更新的路径流量为
Figure FDA00039367041200000213
基于更新的路径流量集合转化为路网各路段的流量。
4.根据权利要求2所述的在车联网环境下考虑遵从程度的逐日路径规划方法，其特征在于，所述分配后的路径流量转化为路网各路段的流量，是根据下列公式进行的：
Figure FDA00039367041200000214
其中δw是路段-路径转换矩阵。
5.根据权利要求4所述的在车联网环境下考虑遵从程度的逐日路径规划方法，其特征在于，所述计算实际出行时间，是根据下列公式进行的：
Figure FDA0003936704120000031
其中
Figure FDA0003936704120000032
是路段a的自由流出行时间，
Figure FDA0003936704120000033
是路段a的容量。
CN202111361270.1A 2021-11-17 2021-11-17 一种在车联网环境下考虑遵从程度的逐日路径规划方法 Active CN114202913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111361270.1A CN114202913B (zh) 2021-11-17 2021-11-17 一种在车联网环境下考虑遵从程度的逐日路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111361270.1A CN114202913B (zh) 2021-11-17 2021-11-17 一种在车联网环境下考虑遵从程度的逐日路径规划方法

Publications (2)

Publication Number Publication Date
CN114202913A CN114202913A (zh) 2022-03-18
CN114202913B true CN114202913B (zh) 2023-02-17

Family

ID=80647818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111361270.1A Active CN114202913B (zh) 2021-11-17 2021-11-17 一种在车联网环境下考虑遵从程度的逐日路径规划方法

Country Status (1)

Country Link
CN (1) CN114202913B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106787A (zh) * 2012-12-21 2013-05-15 周晓东 一种前瞻性解决城市交通拥堵的系统
CN108647837A (zh) * 2018-06-12 2018-10-12 东南大学 考虑出行者路径选择惰性的网络交通流预测方法
JP2019101445A (ja) * 2017-11-28 2019-06-24 株式会社日立製作所 Ｏｄ交通量推定装置及びｏｄ交通量推定システム
CN110363984A (zh) * 2019-06-25 2019-10-22 讯飞智元信息科技有限公司 交通流量预测方法和设备
CN113240902A (zh) * 2021-03-25 2021-08-10 同济大学 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561146B (zh) * 2020-12-08 2023-04-18 哈尔滨工程大学 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106787A (zh) * 2012-12-21 2013-05-15 周晓东 一种前瞻性解决城市交通拥堵的系统
JP2019101445A (ja) * 2017-11-28 2019-06-24 株式会社日立製作所 Ｏｄ交通量推定装置及びｏｄ交通量推定システム
CN108647837A (zh) * 2018-06-12 2018-10-12 东南大学 考虑出行者路径选择惰性的网络交通流预测方法
CN110363984A (zh) * 2019-06-25 2019-10-22 讯飞智元信息科技有限公司 交通流量预测方法和设备
CN113240902A (zh) * 2021-03-25 2021-08-10 同济大学 一种基于抽样车辆轨迹数据的信控路网路径流量估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
诱导信息信任度对道路网络交通流影响研究;国腾飞 等;《交通科技》;20180615;第107-109页 *

Also Published As

Publication number Publication date
CN114202913A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Ma et al. The morning commute problem with ridesharing and dynamic parking charges
CN107944605B (zh) 一种基于数据预测的动态交通路径规划方法
Lazar et al. Capacity modeling and routing for traffic networks with mixed autonomy
CN101719315B (zh) 一种基于中间件的动态交通信息采集方法
CN105513400A (zh) 动态规划出行路径的方法
CN111898793B (zh) 一种组合出行方式下考虑用户感知差异性的路径选择方法
CN110582072B (zh) 蜂窝车联网中基于模糊匹配的资源分配方法及装置
CN105302858B (zh) 一种分布式数据库系统的跨节点查询优化方法及系统
US20230063836A1 (en) Methods for determining restriction schemes in smart cities, internet of things systems, and medium thereof
CN114781267A (zh) 基于多源大数据的职住接驳动态公交管理方法及系统
Marcotte et al. Hyperpath formulations of traffic assignment problems
CN110570656A (zh) 定制公共交通线路方法及装置
CN113344240A (zh) 一种共享单车流量预测方法及系统
CN114698118A (zh) 天地空一体化网络中面向综合效益的资源智能化协同调度方法
CN110930696B (zh) 一种基于ai导航的智慧城市交通管理运行方法及其系统
CN114202913B (zh) 一种在车联网环境下考虑遵从程度的逐日路径规划方法
Kamiński et al. Multiagent routing simulation with partial smart vehicles penetration
Chen et al. Dynamic path optimization in sharing mode to relieve urban traffic congestion
CN110852650A (zh) 基于动态图混杂自动机的综合客运枢纽群网络建模方法
CN113240265B (zh) 一种基于多模式交通数据的城市空间划分方法
CN107679653B (zh) 一种基于优势出行距离的od分配方法
Azadi et al. Estimation of Delay and Surrogate Conflicts in Automated Network Management Using Linear Regression and Multigene Genetic Programming
CN115208892A (zh) 基于动态资源需求的车路协同在线任务调度方法及系统
CN113962599A (zh) 一种城市轨道交通网络化运营管理方法及系统
CN112133109A (zh) 一种单交叉口多方向空间占有率均衡控制模型建立方法

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