CN115188204A - 一种异常天气条件下高速公路车道级可变限速控制方法 - Google Patents
一种异常天气条件下高速公路车道级可变限速控制方法 Download PDFInfo
- Publication number
- CN115188204A CN115188204A CN202210761797.1A CN202210761797A CN115188204A CN 115188204 A CN115188204 A CN 115188204A CN 202210761797 A CN202210761797 A CN 202210761797A CN 115188204 A CN115188204 A CN 115188204A
- Authority
- CN
- China
- Prior art keywords
- lane
- under
- abnormal weather
- expressway
- highway
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002787 reinforcement Effects 0.000 claims abstract description 15
- 230000001413 cellular effect Effects 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 15
- 238000011217 control strategy Methods 0.000 claims description 13
- 230000000903 blocking effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及高速公路车路协同技术领域,特别涉及一种能够实现异常天气条件下对高速公路进行车道级可变限速的控制方法。本发明首先需要进行控制区域车辆信息与天气状态信息的采集,随后根据交通数据确定异常天气条件下交通流基本图关键参数,通过对异常天气条件下高速公路交通流进行建模,模拟交通流运行特征,搭建异常天气高速公路交通场景,制定可变限速控制强化学习策略,在保证高速公路整体交通安全的同时提高道路运行效率。本发明考虑了异常天气条件下高速公路车流运行,极大地提高了车流运行效率,并且保证主线车流的通行安全,实现了异常天气条件下高速公路系统经济安全效益最大化。
Description
技术领域
本发明属于高速公路车路协同技术领域,涉及一种异常天气条件下高速公路车道级可变限速控制方法。
技术背景
随着国民经济的飞速增长,我国居民汽车保有量持续增加,促使城市内和城市间出行迅猛增长,为高速公路安全、高效通行带来了严峻挑战。其中,天气条件是高速公路通行效率与安全问题重要影响因素,在恶劣天气条件下,高速公路交通事故频发、视距受限等都让异常天气条件下高速公路的行车变得复杂,加大了交通隐患。针对恶劣天气条件下高速公路交通管控,常用控制方法是静态限速,甚至是关闭部分高速公路入口,这种控制策略一定程度上保证了行车安全,但也影响了通行效率。
针对异常天气条件下的高速公路可变限速,通常是采用对高速公路交通流进行建模模拟车流运行规律,进而实现高速公路可变限速控制。国内外研究集中于交通流模型基础上对其进行可变限速控制下的改进拓展。而交通流模型主要分为宏观模型和微观模型两类,宏观模型采用类似流体力学的方式来描述交通流,分析集计参数如流量、密度和速度之间的变化情况,主要有METANET模型、元胞传输模型(CTM)和LWR模型等;微观模型主要分析具体车辆的横向和纵向运动特征以及车辆之间的相互影响,主要有跟驰模型和元胞自动机模型。异常天气条件下交通流运行不确定性大大增加,在异常天气条件下实行可变限速控制效难度也大大增加。
强化学习是应用广泛的机器学习算法中的一种,它从环境状态到行为映射中发现最优行为的策略,以使系统行为从环境中获得的累积奖赏值最大化。近年来,学者将强化学习算法与高速公路匝道控制和可变限速控制相结合,取得了较好的效果,但尚未有研究将该算法应用于异常天气情况下高速公路控制应用。
发明内容
本发明的目的是:针对异常天气条件下高速公路交通流运行安全与效率问题,本发明的目的综合考虑异常天气情况下高速公路车流运行特征和交通运行效率的基础上,提出一种异常天气高速公路场景的车道级可变限速控制方法,通过对异常天气条件下高速公路车流运行准确建模,使用强化学习算法实现恶劣天气下高速公路车道级可变限速控制,在提高高速公路车流运行效率的同时保证道路整体交通安全。
本发明采用如下技术方案:
本发明所述的异常天气条件下高速公路车道级可变限速控制方法,控制步骤如下:
步骤1、针对异常天气条件高速公路场景,通过高速公路路侧单元和检测器获取高速公路各车道实时车辆速度、位置信息、天气种类、强度信息;将采集到的数据组成车辆信息数据集、天气状态信息数据集;
步骤2、基于异常天气条件高速公路场景采集到的车辆和天气信息数据进行异常天气情况下高速公路交通流基本图参数标定;包括阻塞密度参数、临界密度参数、自由流速度参数、通行能力参数;
步骤3:根据步骤2中阻塞密度参数、临界密度参数、自由流速度参数、通行能力参数构建异常天气条件下分车道元胞传输模型;
步骤4:根据步骤3中异常天气条件下分车道元胞传输模型建立仿真平台;
步骤5:基于异常天气条件下分车道元胞传输模型建立仿真平台,构建异常天气条件下高速公路可变限速强化学习控制策略;
步骤6:通过完成训练的常天气条件下高速公路可变限速强化学习控制策略;反馈给高速公路场景上的可变限速控制情报板,实现异常天气条件高速公路车道级可变限速控制。
本发明所述的异常天气条件下高速公路车道级可变限速控制方法,所述步骤1中路侧单元(Road Side Unit,RSU)每隔1km布设于高速公路路侧,负责将控制范围内车辆信息与天气状态信息传递至控制中心,接受控制中心传递的控制指令,并将控制指令传递至可变限速控制情报板;检测器为线圈检测器,每隔1km布设于高速公路路面上,可以获取流量与速度信息。
本发明所述的异常天气条件下高速公路车道级可变限速控制方法,所述步骤2中给通过临界密度参数、阻塞密度参数、通行能力参数、自由流速度参数;异常天气条件下高速公路分车道交通流基本图参数标定公式为:
其中,表示异常天气条件下临界密度的值;表示正常条件下临界密度的值;表示异常天气条件下阻塞密度的值;表示正常条件下阻塞密度的值;表示异常天气条件下通行能力的值;表示正常条件下通行能力的值;表示异常天气条件下自由流速度的值;表示正常条件下自由流速度的值;v表示能见度;r表示雨天降水强度;s表示雪天降雪强度;f表示雾天浓度;βa0、βa1、βa2、βa3、βa4、βa5、βa6、βa7是估计的天气相关系数。
本发明所述的异常天气条件下高速公路车道级可变限速控制方法,步骤3中建立分车道元胞传输模型步骤如下:
1)、将依据高速公路路侧单元和检测器的距离将高速公路,将高速公路均匀划分为若干个元胞;每个元胞长度为1km,对车道和元胞进行编号;
2)、通过建立元胞之间车流传递模型来对真实的交通流运行进行仿真;通过引入换道概率公式来对异常天气条件下高速公路车流换道情况进行模拟,该换道概率公式表述如下:
3)、对于高速公路多车道交通流,各车道符合车辆守恒定律,t时刻元胞c(i,l)中的车辆数除了与当前车道上游元胞发送进来的车流以及下游元胞容纳的车流相关之外,还与相邻车道换道进来与移出的车流相关。t时刻元胞c(i,l)中的车辆数等于上一时刻元胞c(i,l)中的车辆数减当前车道下游元胞c(i+1,l)接收的车辆数减当前车道换道进入其他车道的车辆数加当前车道上游元胞c(i-1,l)发送的车辆数加上游元胞其他车道c(i-1,l')换道进入的车辆数。因此,t时刻元胞c(i,l)中的车辆数:
其中,表示t+1时刻元胞c(i,l)中的车辆数;表示t时刻元胞c(i,l)中的车辆数;表示t时刻从元胞c(i,l)实际进入到元胞c(i+1,l)的车辆数;表示t时刻实际从元胞c(i,l)换道进入c(i,l')的车辆数;表示t时刻实际从元胞c(i-1,l')换道进入元胞c(i,l)的车辆数;表示t时刻从元胞c(i-1,l)实际进入到元胞c(i,l)的车辆数;l'是其他车道。
4)、依据上述步骤2)及步骤3)的建立高速公路车流换道情况及某时刻元胞中的车辆数结合阻塞密度参数、临界密度参数、自由流速度参数、通行能力参数建立建异常天气条件下分车道元胞传输模型。
本发明所述的异常天气条件高速公路场景的车道级可变限速控制方法,所述步骤4中:仿真平台采用SUMO仿真平台以及FLOW框架;通过SUMO仿真平台以及FLOW框架进行异常天气条件下高速公路场景搭建,通过将异常天气条件下元胞传输模型替换SUMO仿真中的跟驰模型和换道模型模拟异常天气条件下交通流仿真。
本发明所述的异常天气条件高速公路场景的车道级可变限速控制方法,其特征在于,所述步骤5中FLOW是实现强化学习和SUMO仿真软件交互的框架。异常天气情况下高速公路强化学习可变限速控制策略中控制动作选择为高速公路车道限速值;状态空间由每个高速公路元胞中车辆数、车辆速度、加速度以及车道信息组成;奖励函数为高速公路车流速度离散程度以及车辆之间车头时距大小。
本发明所述的异常天气条件高速公路场景的车道级可变限速控制方法,所述步骤6中:可变限速控制情报板通过龙门架布设于高速公路上,发布的信息包括各个元胞各个车道的限速值。
本发明采用以上技术手段,与现有技术相比,其优点在于:
1)本方法通过分析异常天气条件下高速公路交通流运行特征,通过基本图标定交通流关键参数,建立异常天气情况下交通流模型,相比于现有的交通流模型,展现了异常天气条件下高速公路车流运行特性;
2)本方法使用强化学习进行车道级可变限速控制,区别于其他高速公路可变限速控制方法。强化学习的方法无需构建复杂模型,可以从大量数据中不断探索并优化控制策略,同时,由于探索多样,相比于传统的可变限速控制方法,该方法具有很好的鲁棒性。
附图说明
图1异常天气条件下车道级可变限速控制流程图;
图2异常天气条件下高速公路交通场景示意图;
图3异常天气条件下交通流基本图标定参数示意图;
图4高速公路元胞划分示意图;
图5高速公路路段强化学习控制示意图。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
需要注意本实施例基于假设如下:1)车辆需要配备供路侧单元检测信息的车载单元,驾驶员严格遵守限速指令;2)高速公路控制区域仅包含主线部分,不包含匝道部分以及车道减少路段;3)忽略信息传输、数据处理与计算、指令执行存在的延误;4)高速公路主线路段配备路侧单元与检测器。
本发明所提供的面向异常天气条件高速公路场景的车道级可变限速控制方法架构图如图1。当车辆驶入控制区域后,
本发明的具体步骤流程如下:
1)针对异常天气条件高速公路场景,实时采集各个车道的车辆和天气状态数据,将检测器采集到的数据组成车辆信息和天气状态信息数据集;
2)基于异常天气条件高速公路场景采集到的车辆和天气信息数据进行异常天气情况下高速公路交通流基本图参数标定;
3)根据标定好的交通流关键参数构建异常天气条件下分车道元胞传输模型;
4)根据构建的异常天气条件下高速公路交通流模型搭建仿真平台;
5)构建异常天气条件下高速公路可变限速强化学习控制策略;
6)训练好的控制策略反馈给高速公路场景上的可变限速控制情报板,实现异常天气条件高速公路车道级可变限速控制。
如图2所示,首先假设异常天气高速公路场景为单向通道场景。
以下结合具体模型来举例说明本发明的实施方式:
1)构建异常天气条件下高速公路交通流基本图关键参数模型,表达式为
其中,表示异常天气条件下临界密度的值;表示正常条件下临界密度的值;表示异常天气条件下阻塞密度的值;表示正常条件下阻塞密度的值;表示异常天气条件下通行能力的值;表示正常条件下通行能力的值;表示异常天气条件下自由流速度的值;表示正常条件下自由流速度的值;v表示能见度;r表示雨天降水强度;s表示雪天降雪强度;f表示雾天浓度;βa0、βa1、βa2、βa3、βa4、βa5、βa6、βa7是估计的天气相关系数。
图3是本发明中关于异常天气条件下交通流基本图参数标定示意图,具体指异常天气条件下交通流量与密度基本图。通过使用基于分车道的元胞传输模型对异常天气条件下交通流进行建模,模拟车流在不同天气条件下的运行规律,以便针对不同天气条件下高速公路车流进行车道级可变限速控制。
2)构建异常天气条件下高速公路分车道元胞传输模型:
图4是高速公路车道元胞示意图。车辆换道与当前元胞速度和密度差有关,还与下游元胞速度和密度差有关。t时刻元胞i车道l上的车辆换道概率公式为:
对于高速公路多车道交通流,各车道符合车辆守恒定律,t时刻元胞c(i,l)中的车辆数除了与当前车道上游元胞发送进来的车流以及下游元胞容纳的车流相关之外,还与相邻车道换道进来与移出的车流相关。t时刻元胞c(i,l)中的车辆数等于上一时刻元胞c(i,l)中的车辆数减当前车道下游元胞c(i+1,l)接收的车辆数减当前车道换道进入其他车道的车辆数加当前车道上游元胞c(i-1,l)发送的车辆数加上游元胞其他车道c(i-1,l')换道进入的车辆数。因此,t时刻元胞c(i,l)中的车辆数:
其中,表示t+1时刻元胞c(i,l)中的车辆数;表示t时刻元胞c(i,l)中的车辆数;表示t时刻从元胞c(i,l)实际进入到元胞c(i+1,l)的车辆数;表示t时刻实际从元胞c(i,l)换道进入c(i,l')的车辆数;表示t时刻实际从元胞c(i-1,l')换道进入元胞c(i,l)的车辆数;表示t时刻从元胞c(i-1,l)实际进入到元胞c(i,l)的车辆数;l'是其他车道。
3)建立状态空间S及动作空间A:依据从高速公路各个车道上车辆状态信息选择S={l,n,v,a}表示环境中最相关的影响因素;依据控制对象选择控制动作A={vvsl}。其中l表示车道信息;n表示当前车道元胞中车辆数;v表示当前元胞中车辆速度;a表示当前元胞中加速度;vvsl表示车道限速值。高速公路路段强化学习控制示意图如图5所示。
4)奖励功能评估智能体是否安全、高效地保证高速公路车流运行。奖励函数即为r:S×A→R。进一步的,每次步骤的奖励R(s,a)由两部分组成,分别为安全奖励Rs(t)速度奖励Rv(t)。
①其中,安全奖励如下:
②速度奖励包括车辆之间的速度离散性和目标速度条件如下:
Rv(t)=α△Vl(t)+β△Vt(t)
其中α,β为权重参数,△Vl(t)为车辆之间速度离方差,△Vt(t)为车辆速度与目标速度的差值。
5)在每个时间步骤中,以θ为参数化基于策略π(A|S)的深度神经网络(DNN)来训练可变限速控制策略。该策略直接输出限速动作来控制高速公路车辆的速度。策略优化的目标是找到最优的策略a,使整个过程的期望奖励最大化。
6)由此获得最优控制策略,从而通过将最优控制策略反馈给可变限速情报板实现面向异常天气条件下高速公路车道级可变限速控制,实现异常天气情况下高速公路交通安全有效运行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种异常天气条件下高速公路车道级可变限速控制方法,其特征在于:控制步骤如下:
步骤1、针对异常天气条件高速公路场景,通过高速公路路侧单元和检测器获取高速公路各车道实时车辆速度、位置信息、天气种类、强度信息;将采集到的数据组成车辆信息数据集、天气状态信息数据集;
步骤2、基于异常天气条件高速公路场景采集到的车辆和天气信息数据进行异常天气情况下高速公路交通流基本图参数标定;包括阻塞密度参数、临界密度参数、自由流速度参数、通行能力参数;
步骤3:根据步骤2中阻塞密度参数、临界密度参数、自由流速度参数、通行能力参数构建异常天气条件下分车道元胞传输模型;
步骤4:根据步骤3中异常天气条件下分车道元胞传输模型建立仿真平台;
步骤5:基于异常天气条件下分车道元胞传输模型建立仿真平台,构建异常天气条件下高速公路可变限速强化学习控制策略;
步骤6:通过完成训练的常天气条件下高速公路可变限速强化学习控制策略;反馈给高速公路场景上的可变限速控制情报板,实现异常天气条件高速公路车道级可变限速控制。
2.根据权利要求1所述的异常天气条件下高速公路车道级可变限速控制方法,其特征在于:所述步骤1中高速公路路侧单元间隔布设在高速公路路侧,间隔距离为1km;检测器为线圈检测器,间隔布设在高速公路路面上,间隔为1km。
3.根据权利要求1所述的异常天气条件下高速公路车道级可变限速控制方法,其特征在于:所述步骤2中给通过临界密度参数、阻塞密度参数、通行能力参数、自由流速度参数;异常天气条件下高速公路分车道交通流基本图参数标定公式为:
4.根据权利要求1所述的异常天气条件下高速公路车道级可变限速控制方法,其特征在于:步骤3中建立分车道元胞传输模型步骤如下:
1)、将依据高速公路路侧单元和检测器的距离将高速公路,将高速公路均匀划分为若干个元胞;每个元胞长度为1km,对车道和元胞进行编号;
2)、通过建立元胞之间车流传递模型来对真实的交通流运行进行仿真;通过引入换道概率公式来对异常天气条件下高速公路车流换道情况进行模拟,该换道概率公式表述如下:
3)、通过下式得到某时刻元胞中的车辆数:
其中,表示t+1时刻元胞c(i,l)中的车辆数;表示t时刻元胞c(i,l)中的车辆数;表示t时刻从元胞c(i,l)实际进入到元胞c(i+1,l)的车辆数;表示t时刻实际从元胞c(i,l)换道进入c(i,l')的车辆数;表示t时刻实际从元胞c(i-1,l')换道进入元胞c(i,l)的车辆数;表示t时刻从元胞c(i-1,l)实际进入到元胞c(i,l)的车辆数;l'是其他车道;
4)、依据上述步骤2)及步骤3)的建立高速公路车流换道情况及某时刻元胞中的车辆数结合阻塞密度参数、临界密度参数、自由流速度参数、通行能力参数建立建异常天气条件下分车道元胞传输模型。
5.根据权利要求1所述的一种异常天气条件高速公路场景的车道级可变限速控制方法,其特征在于,所述步骤4中:仿真平台采用SUMO仿真平台以及FLOW框架;通过SUMO仿真平台以及FLOW框架进行异常天气条件下高速公路场景搭建,通过将异常天气条件下元胞传输模型替换SUMO仿真中的跟驰模型和换道模型模拟异常天气条件下交通流仿真。
6.根据权利要求1或5所述的一种异常天气条件高速公路场景的车道级可变限速控制方法,其特征在于,所述步骤5中:由FLOW框架实现强化学习控制策略与SUMO仿真软件交互的框架。
7.根据权利要求1所述的一种异常天气条件高速公路场景的车道级可变限速控制方法,其特征在于,所述步骤6中:可变限速控制情报板通过龙门架布设于高速公路上,发布的信息包括各个元胞各个车道的限速值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210761797.1A CN115188204B (zh) | 2022-06-29 | 2022-06-29 | 一种异常天气条件下高速公路车道级可变限速控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210761797.1A CN115188204B (zh) | 2022-06-29 | 2022-06-29 | 一种异常天气条件下高速公路车道级可变限速控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115188204A true CN115188204A (zh) | 2022-10-14 |
CN115188204B CN115188204B (zh) | 2023-08-15 |
Family
ID=83516275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210761797.1A Active CN115188204B (zh) | 2022-06-29 | 2022-06-29 | 一种异常天气条件下高速公路车道级可变限速控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115188204B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762155A (zh) * | 2022-11-14 | 2023-03-07 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
CN116229706A (zh) * | 2022-12-07 | 2023-06-06 | 南京理工大学 | 基于智能网联专用车道环境下的分车道可变限速控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447291A (zh) * | 2018-04-03 | 2018-08-24 | 南京锦和佳鑫信息科技有限公司 | 一种智能道路设施系统及控制方法 |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN113345234A (zh) * | 2021-06-07 | 2021-09-03 | 哈尔滨工业大学(深圳) | 面向应急疏散场景的快速路入口匝道协同控制方法及装置 |
CN114241778A (zh) * | 2022-02-23 | 2022-03-25 | 东南大学 | 高速公路网联车协同匝道汇入多目标优化控制方法和系统 |
CN114387781A (zh) * | 2021-12-30 | 2022-04-22 | 北京建筑大学 | 车辆引导控制方法 |
-
2022
- 2022-06-29 CN CN202210761797.1A patent/CN115188204B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447291A (zh) * | 2018-04-03 | 2018-08-24 | 南京锦和佳鑫信息科技有限公司 | 一种智能道路设施系统及控制方法 |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN113345234A (zh) * | 2021-06-07 | 2021-09-03 | 哈尔滨工业大学(深圳) | 面向应急疏散场景的快速路入口匝道协同控制方法及装置 |
CN114387781A (zh) * | 2021-12-30 | 2022-04-22 | 北京建筑大学 | 车辆引导控制方法 |
CN114241778A (zh) * | 2022-02-23 | 2022-03-25 | 东南大学 | 高速公路网联车协同匝道汇入多目标优化控制方法和系统 |
Non-Patent Citations (2)
Title |
---|
朱健;丁鹏程;: "非常发性瓶颈区可变限速控制方法", 交通科技与经济, no. 01 * |
杨庆芳;马明辉;梁士栋;李志林;: "高速公路瓶颈区域可变限速阶梯控制方法", 西南交通大学学报, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762155A (zh) * | 2022-11-14 | 2023-03-07 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
CN115762155B (zh) * | 2022-11-14 | 2024-03-22 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
CN116229706A (zh) * | 2022-12-07 | 2023-06-06 | 南京理工大学 | 基于智能网联专用车道环境下的分车道可变限速控制方法 |
CN116229706B (zh) * | 2022-12-07 | 2024-03-26 | 南京理工大学 | 基于智能网联专用车道环境下的分车道可变限速控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115188204B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN115188204A (zh) | 一种异常天气条件下高速公路车道级可变限速控制方法 | |
CN112669629B (zh) | 一种基于深度强化学习的实时交通信号控制方法及装置 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN103593535A (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 | |
CN104575050B (zh) | 一种基于浮动车的快速路匝道智能诱导方法及装置 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN111625989B (zh) | 一种基于a3c-sru的智能车汇入车流方法及系统 | |
CN115206103B (zh) | 一种基于平行仿真系统的可变限速控制系统 | |
CN113299078B (zh) | 一种基于多智能体协作的多模式交通干线信号协调控制方法及装置 | |
CN116052435B (zh) | 一种城市道路拥堵影响范围界定与道路影响力计算方法 | |
CN111915885A (zh) | 一种城市道路交通仿真实验方法及系统 | |
Wang et al. | Vehicle trajectory prediction by knowledge-driven LSTM network in urban environments | |
CN113487889B (zh) | 基于快速梯度下降的单交叉口信号控制的交通状态对抗扰动生成方法 | |
CN113487872B (zh) | 一种基于大数据和人工智能的公交车通行时间预测方法 | |
CN113362618B (zh) | 基于策略梯度的多模式交通自适应信号控制方法及装置 | |
Liu et al. | Assessing the impacts of connected-and-autonomous vehicle management strategy on the environmental sustainability of urban expressway system | |
Lu et al. | TD3LVSL: A lane-level variable speed limit approach based on twin delayed deep deterministic policy gradient in a connected automated vehicle environment | |
Ran et al. | Traffic flow analysis for an automated highway system | |
Sun et al. | Traffic prediction for connected vehicles on a signalized arterial | |
Lv et al. | A lane-changing decision-making model of bus entering considering bus priority based on GRU neural network | |
CN116767218B (zh) | 一种无人驾驶车辆强制换道决策方法、计算机设备及介质 | |
CN114783186B (zh) | 智能网联环境下道路风险预警控制器优化布设方法及系统 | |
CN113753049B (zh) | 基于社会偏好的自动驾驶超车决策确定方法及系统 |
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 |