CN115482664B - 一种智能交通的路网交通流时空预测方法 - Google Patents
一种智能交通的路网交通流时空预测方法 Download PDFInfo
- Publication number
- CN115482664B CN115482664B CN202211108369.5A CN202211108369A CN115482664B CN 115482664 B CN115482664 B CN 115482664B CN 202211108369 A CN202211108369 A CN 202211108369A CN 115482664 B CN115482664 B CN 115482664B
- Authority
- CN
- China
- Prior art keywords
- road
- road network
- traffic
- subregion
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000010354 integration Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003062 neural network model 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/085—Controlling traffic signals using a free-running cyclic timer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了智能交通的路网交通流时空预测方法,其对城市路网预先进行路网子区域的划分,继而对每个网路子区域进行不同时段的拍摄监控,这样能够对在不同空间和不同时间层面上对城市路网进行监控,为预测城市路网的交通流变化情况提供充足的数据支持,实现预测未来较长一段时间内不同时间段和不同区域位置的交通流变化情况,提高对城市交通疏导管理的及时性和准确性。
Description
技术领域
本发明涉及路网交通管理的技术领域,特别涉及一种智能交通的路网交通流时空预测方法。
背景技术
城市的车辆保有量数量较大,并且城市路网的道路分布交错复杂,这使得城市的交通环境复杂多变。特别地,在城市早晚高峰时段,城市内部的重点路段发生交通拥堵的概率也会相应增大。如何准确地预测城市路网的交通流在不同时间和空间的变化情况,能够为交通管理部门疏导城市路网提供有效的解决方案。但是目前,对于城市路网交通流的监测通常只局限于时间或空间的实时监控,其无法对城市路网交通流进行时空上的有效预测,从而无法预测未来较长一段时间内不同时间段和不同区域位置的交通流变化情况,降低对城市交通疏导管理的及时性和准确性。
发明内容
针对现有技术存在的缺陷,本发明提供一种智能交通的路网交通流时空预测方法,其将城市路网划分为若干路网子区域和连通相邻路网子区域的道路,对路网子区域和道路进行全天候拍摄,并将拍摄得到的路网子区域影像和道路影像划分为对应不同时段的路网子区域图片帧序列和道路图片帧序列;通过对上述图片帧序列进行识别,得到不同时间段内的路网子区域和道路的交通特征参数,以此预测未来不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息和拥堵相关参数;再根据拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态;上述方法对城市路网预先进行路网子区域的划分,继而对每个网路子区域进行不同时段的拍摄监控,这样能够对在不同空间和不同时间层面上对城市路网进行监控,为预测城市路网的交通流变化情况提供充足的数据支持,实现预测未来较长一段时间内不同时间段和不同区域位置的交通流变化情况,提高对城市交通疏导管理的及时性和准确性。
本发明提供一种智能交通的路网交通流时空预测方法,包括如下步骤:
步骤S1,将城市路网划分为若干路网子区域,并且相邻的路网子区域之间至少通过一条道路连通;对每个路网子区域和每个相邻的路网子区域之间的道路进行全天候拍摄监测,以此获得相应的路网子区域影像和道路影像,并对所述路网子区域影像和所述道路影像进行影像预处理;
步骤S2,根据所述全天候拍摄的时间节点,从所述路网子区域影像提取得到对应不同时段的路网子区域图片帧序列以及对应不同时间段的道路图片帧序列;对所述路网子区域图片帧序列和所述道路图片帧序列进行识别处理,得到不同时间段内的所述路网子区域和所述道路的交通特征参数;
步骤S3,根据所述路网子区域和所述道路的交通特征参数,预测得到在下一个全天候拍摄监测过程中不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息;根据所述车辆行驶流动信息和所述车辆流输送信息,预测每个路网子区域和每个道路各自对应的拥堵相关参数;
步骤S4,根据所述路网子区域和所述道路对应的拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态。
进一步,在所述步骤S1中,将城市路网划分为若干路网子区域,并且相邻的路网子区域之间至少通过一条道路连通具体包括:
根据城市路网整体的道路密度分布信息,将城市路网划分为若干路网子区域,其中每个路网子区域内部的平均道路密度分布值与预设道路密度分布基准值之间的差值在预设阈值范围内;所述道路密度分布信息是指城市路网内部单位面积范围内的道路长度;
并且在所有路网子区域中,任意相邻的两个路网子区域之间至少存在一条共用道路连通。
进一步,在所述步骤S1中,对每个路网子区域和每个相邻的路网子区域之间的道路进行全天候拍摄监测,以此获得相应的路网子区域影像和道路影像,并对所述路网子区域影像和所述道路影像进行影像预处理具体包括:
对每个路网子区域和每个相邻的路网子区域之间的道路进行一天24小时的连续扫描拍摄监测,以此获得相应的路网子区域全天候影像和道路全天候影像;
对所述路网子区域全天候影像和所述道路全天候影像进行影像背景噪声的卡尔曼滤波预处理。
进一步,在所述步骤S2中,根据所述全天候拍摄的时间节点,从所述路网子区域影像提取得到对应不同时段的路网子区域图片帧序列以及对应不同时间段的道路图片帧序列具体包括:
根据所述全天候拍摄过程对应的交通繁忙时段与非繁忙时段之间的时间分界节点,从所述路网子区域全天候影像中提取得到繁忙时段路网子区域图片帧序列与非繁忙时段路网子区域图片帧序列,以及从所述道路全天候影像中提取得到繁忙时段道路图片帧序列与非繁忙时段道路图片帧序列。
进一步,在所述步骤S2中,对所述路网子区域图片帧序列和所述道路图片帧序列进行识别处理,得到不同时间段内的所述路网子区域和所述道路的交通特征参数具体包括:
对所述繁忙时段路网子区域图片帧序列和所述非繁忙时段路网子区域图片帧序列进行车辆和路面识别处理,得到在繁忙时段内和非繁忙时段内,所述路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置,以此作为所述路网子区域的交通特征参数;
对所述繁忙时段道路图片帧序列和所述非繁忙时段道路图片帧序列进行车辆和路面识别处理,得到在繁忙时间段内和非繁忙时间段内,所述道路上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置,以此作为所述道路的交通特征参数。
进一步,在所述步骤S3中,根据所述路网子区域和所述道路的交通特征参数,预测得到在下一个全天候拍摄监测过程中不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息具体包括:
将所述路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置输入到预设交通流预测模型,以此预测得到下一个全天候24小时拍摄监测过程中,所述路网子区域内部于繁忙时间段内和非繁忙时间段内对应的行驶车辆总数量和车辆平均行驶速度,以此作为路网子区域内部的车辆行驶流动信息;
将所述道路的上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置输入到预设交通流预测模型,以此预测得到下一个全天候24小时拍摄监测过程中,所述道路连接的两个路网子区域之间的车辆流输送量;其中,所述车辆流输送量是指单位时间内两个路网子区域通过所述道路进行车辆流交换的车辆数量。
进一步,在所述步骤S3中,根据所述车辆行驶流动信息和所述车辆流输送信息,预测每个路网子区域和每个道路各自对应的拥堵相关参数具体包括:
根据所述路网子区域内部于繁忙时间段内和非繁忙时间段内对应的行驶车辆总数量和车辆平均行驶速度,预测所述路网子区域在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间;
根据所述道路对应的车辆流输送量,预测所述道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间。
进一步,在所述步骤S4中,根据所述路网子区域和所述道路对应的拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态具体包括:
根据所述路网子区域在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间,确定所述路网子区域发生交通拥堵事件对应的位置和时间;
根据所述道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间,确定所述道路发生交通拥堵事件对应的位置和时间;
根据所述路网子区域和所述道路发生交通拥堵事件对应的位置和时间,调整所述路网子区域和所述道路对应交通灯的绿灯持续时间和/或红灯与绿灯的切换频率。
进一步,在所述步骤S4中,根据所述路网子区域和所述道路发生交通拥堵事件对应的位置和时间,调整所述路网子区域和所述道路对应交通灯的绿灯持续时间和/或红灯与绿灯的切换频率具体包括:
步骤S401,利用下面公式(1),根据所述路网子区域和所述道路发生多个交通拥堵事件对应的位置拥堵首端位置和拥堵末端位置进行位置信息整合,以及对所述路网子区域和所述道路发生的多个交通拥堵事件对应的时间进行整合,
在上述公式(1)中,etop表示所述路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵首端位置坐标信息;edown表示所述路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵末端位置坐标信息;Etop(a)表示所述路网子区域和所述道路发生的第a个交通拥堵事件对应位置的拥堵首端位置坐标信息;Edown(b)表示所述路网子区域和所述道路发生的第b个交通拥堵事件对应位置的拥堵末端位置坐标信息;S[Etop(a),Edown(b)]表示所述路网子区域和所述道路发生的第a个交通拥堵事件对应位置的拥堵首端位置与所述路网子区域和所述道路发生的第b个交通拥堵事件对应位置的拥堵末端位置之间的水平距离值;G表示所述路网子区域和所述道路发生的交通拥堵事件的总件数;表示将a和b的值均依次从1取值到G代入到括号内得到括号内取得最大值时的[Etop(a),Edown(b)]信息;tz表示所述道路发生交通拥堵事件对应的整合时间;t(a)表示所述路网子区域和所述道路发生的第a个交通拥堵事件对应的时间;表示将a的值从1取值到G代入到括号内得到括号内的最大值;
步骤S402,利用下面公式(2),根据所述路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与所述路网子区域和所述道路对应交通灯之间的水平距离值,以及所述路网子区域和所述道路对应同一个交通灯的其它路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与对应交通灯之间的水平距离值,得到所述路网子区域和所述道路对应交通灯的影响值,
在上述公式(2)中,W表示所述路网子区域和所述道路对应交通灯的影响值;S(etop,H)表示所述路网子区域和所述道路发生的交通拥堵事件对应位置的整合拥堵首端位置与对应交通灯之间的水平距离值;S(edown,H)表示所述路网子区域和所述道路发生的交通拥堵事件对应位置的整合拥堵末端位置与对应交通灯之间的水平距离值;S(etop_i,H)表示与所述路网子区域和所述道路对应同一个交通灯的第i个路网子区域和所述道路发生的交通拥堵事件对应位置的首端位置与对应交通灯之间的水平距离值;S(edown_i,H)表示与所述路网子区域和所述道路对应同一个交通灯的第i个路网子区域和所述道路发生的交通拥堵事件对应位置的末端位置与对应交通灯之间的水平距离值;n表示与所述路网子区域和所述道路对应同一个交通灯的其它路网子区域和所述道路的总个数;
步骤S403,利用下面公式(3),根据所述路网子区域和所述道路对应交通灯的影响值,以及所述路网子区域和所述道路发生交通拥堵事件对应的整合时间,调整所述路网子区域和所述道路对应交通灯的交通灯的绿灯持续时间,
在上述公式(3)中,T表示所述路网子区域和所述道路对应交通灯的交通灯的绿灯持续时间;Tmax表示所述交通灯的绿灯持续时间的最大值;tz_i表示与所述路网子区域和所述道路对应同一个交通灯的第i个路网子区域和所述道路的整合时间。
相比于现有技术,该智能交通的路网交通流时空预测方法将城市路网划分为若干路网子区域和连通相邻路网子区域的道路,对路网子区域和道路进行全天候拍摄,并将拍摄得到的路网子区域影像和道路影像划分为对应不同时段的路网子区域图片帧序列和道路图片帧序列;通过对上述图片帧序列进行识别,得到不同时间段内的路网子区域和道路的交通特征参数,以此预测未来不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息和拥堵相关参数;再根据拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态;上述方法对城市路网预先进行路网子区域的划分,继而对每个网路子区域进行不同时段的拍摄监控,这样能够对在不同空间和不同时间层面上对城市路网进行监控,为预测城市路网的交通流变化情况提供充足的数据支持,实现预测未来较长一段时间内不同时间段和不同区域位置的交通流变化情况,提高对城市交通疏导管理的及时性和准确性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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获得其他的附图。
图1为本发明提供的一种智能交通的路网交通流时空预测方法的流程示意图。
具体实施方式
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。
参阅图1,为本发明实施例提供的一种智能交通的路网交通流时空预测方法的流程示意图。该智能交通的路网交通流时空预测方法包括如下步骤:
步骤S1,将城市路网划分为若干路网子区域,并且相邻的路网子区域之间至少通过一条道路连通;对每个路网子区域和每个相邻的路网子区域之间的道路进行全天候拍摄监测,以此获得相应的路网子区域影像和道路影像,并对该路网子区域影像和该道路影像进行影像预处理;
步骤S2,根据该全天候拍摄的时间节点,从该路网子区域影像提取得到对应不同时段的路网子区域图片帧序列以及对应不同时间段的道路图片帧序列;对该路网子区域图片帧序列和该道路图片帧序列进行识别处理,得到不同时间段内的该路网子区域和该道路的交通特征参数;
步骤S3,根据该路网子区域和该道路的交通特征参数,预测得到在下一个全天候拍摄监测过程中不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息;根据该车辆行驶流动信息和该车辆流输送信息,预测每个路网子区域和每个道路各自对应的拥堵相关参数;
步骤S4,根据该路网子区域和该道路对应的拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态。
上述技术方案的有益效果为:该智能交通的路网交通流时空预测方法将城市路网划分为若干路网子区域和连通相邻路网子区域的道路,对路网子区域和道路进行全天候拍摄,并将拍摄得到的路网子区域影像和道路影像划分为对应不同时段的路网子区域图片帧序列和道路图片帧序列;通过对上述图片帧序列进行识别,得到不同时间段内的路网子区域和道路的交通特征参数,以此预测未来不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息和拥堵相关参数;再根据拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态;上述方法对城市路网预先进行路网子区域的划分,继而对每个网路子区域进行不同时段的拍摄监控,这样能够对在不同空间和不同时间层面上对城市路网进行监控,为预测城市路网的交通流变化情况提供充足的数据支持,实现预测未来较长一段时间内不同时间段和不同区域位置的交通流变化情况,提高对城市交通疏导管理的及时性和准确性。
优选地,在该步骤S1中,将城市路网划分为若干路网子区域,并且相邻的路网子区域之间至少通过一条道路连通具体包括:
根据城市路网整体的道路密度分布信息,将城市路网划分为若干路网子区域,其中每个路网子区域内部的平均道路密度分布值与预设道路密度分布基准值之间的差值在预设阈值范围内;该道路密度分布信息是指城市路网内部单位面积范围内的道路长度;
并且在所有路网子区域中,任意相邻的两个路网子区域之间至少存在一条共用道路连通。
上述技术方案的有益效果为:在实际工作中,先设定一预设道路密度分布基准值作为参照,并且根据城市路网整体的道路密度分布信息,将城市路网划分为若干路网子区域,使每个路网子区域的平均道路密度分布值相对于预设道路密度分布基准值在预设阈值范围内上下浮动,这样可以保证每个路网子区域内部包含适量的道路,避免每个路网子区域内部包含的道路数量过多或过少而影响后续对每个路网子区域内部交通流状态确定的效率和准确性。此外,在任意相邻的两个路网子区域之间至少存在一条共用道路连通,这样能够保证在对每个路网子区域内部进行相对独立分析的同时,也能够对相邻两个路网子区域之间的交通流通勤交换的情况进行分析,从而实现对整个城市路网的交通流动态分析。
优选地,在该步骤S1中,对每个路网子区域和每个相邻的路网子区域之间的道路进行全天候拍摄监测,以此获得相应的路网子区域影像和道路影像,并对该路网子区域影像和该道路影像进行影像预处理具体包括:
对每个路网子区域和每个相邻的路网子区域之间的道路进行一天24小时的连续扫描拍摄监测,以此获得相应的路网子区域全天候影像和道路全天候影像;
对该路网子区域全天候影像和该道路全天候影像进行影像背景噪声的卡尔曼滤波预处理。
上述技术方案的有益效果为:在实际工作中,可通过在交通灯杆上安装扫描摄像头对每个路网子区域和每个相邻的路网子区域之间的道路进行一天24小时的连续扫描拍摄,这样可为预测路网的交通流提供可靠的影像数据支持;此外,对该路网子区域全天候影像和该道路全天候影像进行影像背景噪声的卡尔曼滤波预处理,能够有效降低影像中的背景噪声干扰,确保后续准确地从影像中识别得到路面存在的车辆以及路面本身的结构状态(即是否存在塌陷或损坏等结构问题)。
优选地,在该步骤S2中,根据该全天候拍摄的时间节点,从该路网子区域影像提取得到对应不同时段的路网子区域图片帧序列以及对应不同时间段的道路图片帧序列具体包括:
根据该全天候拍摄过程对应的交通繁忙时段与非繁忙时段之间的时间分界节点,从该路网子区域全天候影像中提取得到繁忙时段路网子区域图片帧序列与非繁忙时段路网子区域图片帧序列,以及从该道路全天候影像中提取得到繁忙时段道路图片帧序列与非繁忙时段道路图片帧序列。
上述技术方案的有益效果为:在实际工作中,以一天24小时为一个全天候拍摄过程周期,确定早上7点-早上9点以及晚上6点-晚上9点为交通繁忙时段,其余时间段则为非繁忙时间段,按照上述繁忙时间段与非繁忙时间段之间的划分,相应地以路网子区域全天候影像和道路全天候影像中每个图片帧的拍摄时间为基准,从中筛选出繁忙时段路网子区域图片帧序列与非繁忙时段路网子区域图片帧序列,以及繁忙时段道路图片帧序列与非繁忙时段道路图片帧序列,从而实现对路网子区域和道路的分时段分析。其中,上述所有图片帧序列是包括多个在拍摄时间上依次连续的图片帧。
优选地,在该步骤S2中,对该路网子区域图片帧序列和该道路图片帧序列进行识别处理,得到不同时间段内的该路网子区域和该道路的交通特征参数具体包括:
对该繁忙时段路网子区域图片帧序列和该非繁忙时段路网子区域图片帧序列进行车辆和路面识别处理,得到在繁忙时段内和非繁忙时段内,该路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置,以此作为该路网子区域的交通特征参数;
对该繁忙时段道路图片帧序列和该非繁忙时段道路图片帧序列进行车辆和路面识别处理,得到在繁忙时间段内和非繁忙时间段内,该道路上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置,以此作为该道路的交通特征参数。
上述技术方案的有益效果为:在实际工作中,可对提取得到的图片帧序列中的每个图片帧进行车辆和路面的识别处理,从而分别得到路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置,以及道路上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置;上述车辆和路面的识别处理属于本领域的常规技术手段,这里不做详细的叙述。
优选地,在该步骤S3中,根据该路网子区域和该道路的交通特征参数,预测得到在下一个全天候拍摄监测过程中不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息具体包括:
将该路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置输入到预设交通流预测模型,以此预测得到下一个全天候24小时拍摄监测过程中,该路网子区域内部于繁忙时间段内和非繁忙时间段内对应的行驶车辆总数量和车辆平均行驶速度,以此作为路网子区域内部的车辆行驶流动信息;
将该道路的上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置输入到预设交通流预测模型,以此预测得到下一个全天候24小时拍摄监测过程中,该道路连接的两个路网子区域之间的车辆流输送量;其中,该车辆流输送量是指单位时间内两个路网子区域通过该道路进行车辆流交换的车辆数量。
上述技术方案的有益效果为:在实际工作中,可根据城市路网的实际道路分布情况,构建预设交通流预测模型,并对预设交通流预测模型进行训练优化。再将路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置作为输入数据,输入到预设交通流预测模型,从而预测得到下一个全天候24小时拍摄监测过程中,该路网子区域内部于繁忙时间段内和非繁忙时间段内对应的行驶车辆总数量和车辆平均行驶速度,以此作为路网子区域内部的车辆行驶流动信息。相应地,将道路的上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置作为输入数据,输入到预设交通流预测模型,从而预测得到下一个全天候24小时拍摄监测过程中,该道路连接的两个路网子区域之间的车辆流输送量。通过上述方式,能够有效地预测未来下一个24小时内的城市路网交通情况,从而确保预测结果的可靠性。其中,构建该预设交通流预测模型属于神经网络模型构建的常用技术手段,这里不做详细的叙述。
优选地,在该步骤S3中,根据该车辆行驶流动信息和该车辆流输送信息,预测每个路网子区域和每个道路各自对应的拥堵相关参数具体包括:
根据该路网子区域内部于繁忙时间段内和非繁忙时间段内对应的行驶车辆总数量和车辆平均行驶速度,预测该路网子区域在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间;
根据该道路对应的车辆流输送量,预测该道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间。
上述技术方案的有益效果为:在实际工作中,路网子区域内部行驶车辆总数量和车辆平均行驶速度会直接影响路网子区域内部的拥堵情况,一般而言,当行驶车辆总数量越多或车辆平均行驶速度越小,路网子区域在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度越大和拥堵路段区间越长。道路对应的车辆流输送量也会直接影响道路的拥堵情况,一般而言,道路的车辆流输送量越大,道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度越大和拥堵路段区间越长。其中,确定路网子区域或道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间属于本领域的常规技术手段,这里不做详细的叙述。
优选地,在该步骤S4中,根据该路网子区域和该道路对应的拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态具体包括:
根据该路网子区域在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间,确定该路网子区域发生交通拥堵事件对应的位置和时间;
根据该道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间,确定该道路发生交通拥堵事件对应的位置和时间;
根据该路网子区域和该道路发生交通拥堵事件对应的位置和时间,调整该路网子区域和该道路对应交通灯的绿灯持续时间和/或红灯与绿灯的切换频率。
上述技术方案的有益效果为:通过上述方式,以路网子区域和道路发生交通拥堵事件对应的位置和时间为基准,分别调整该路网子区域和该道路对应交通灯的绿灯持续时间和/或红灯与绿灯的切换频率,这样能够通过改变交通灯的绿灯和红灯工作状态的方式,对路网子区域和道路进行相应的交通流疏导。
优选地,在该步骤S4中,根据该路网子区域和该道路发生交通拥堵事件对应的位置和时间,调整该路网子区域和该道路对应交通灯的绿灯持续时间和/或红灯与绿灯的切换频率具体包括:
步骤S401,利用下面公式(1),根据该路网子区域和该道路发生多个交通拥堵事件对应的位置拥堵首端位置和拥堵末端位置进行位置信息整合,以及对该路网子区域和该道路发生的多个交通拥堵事件对应的时间进行整合,
在上述公式(1)中,etop表示该路网子区域和该道路发生交通拥堵事件对应的位置的整合拥堵首端位置坐标信息;edown表示该路网子区域和该道路发生交通拥堵事件对应的位置的整合拥堵末端位置坐标信息;Etop(a)表示该路网子区域和该道路发生的第a个交通拥堵事件对应位置的拥堵首端位置坐标信息;Edown(b)表示该路网子区域和该道路发生的第b个交通拥堵事件对应位置的拥堵末端位置坐标信息;S[Etop(a),Edown(b)]表示该路网子区域和该道路发生的第a个交通拥堵事件对应位置的拥堵首端位置与该路网子区域和该道路发生的第b个交通拥堵事件对应位置的拥堵末端位置之间的水平距离值;G表示该路网子区域和该道路发生的交通拥堵事件的总件数;表示将a和b的值均依次从1取值到G代入到括号内得到括号内取得最大值时的[Etop(a),Edown(b)]信息;tz表示该道路发生交通拥堵事件对应的整合时间;t(a)表示该路网子区域和该道路发生的第a个交通拥堵事件对应的时间;表示将a的值从1取值到G代入到括号内得到括号内的最大值;
步骤S402,利用下面公式(2),根据该路网子区域和该道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与该路网子区域和该道路对应交通灯之间的水平距离值,以及该路网子区域和该道路对应同一个交通灯的其它路网子区域和该道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与对应交通灯之间的水平距离值,得到该路网子区域和该道路对应交通灯的影响值,
在上述公式(2)中,W表示该路网子区域和该道路对应交通灯的影响值;S(etop,H)表示该路网子区域和该道路发生的交通拥堵事件对应位置的整合拥堵首端位置与对应交通灯之间的水平距离值;S(edown,H)表示该路网子区域和该道路发生的交通拥堵事件对应位置的整合拥堵末端位置与对应交通灯之间的水平距离值;S(etop_i,H)表示与该路网子区域和该道路对应同一个交通灯的第i个路网子区域和该道路发生的交通拥堵事件对应位置的首端位置与对应交通灯之间的水平距离值;S(edown_i,H)表示与该路网子区域和该道路对应同一个交通灯的第i个路网子区域和该道路发生的交通拥堵事件对应位置的末端位置与对应交通灯之间的水平距离值;n表示与该路网子区域和该道路对应同一个交通灯的其它路网子区域和该道路的总个数;
步骤S403,利用下面公式(3),根据该路网子区域和该道路对应交通灯的影响值,以及该路网子区域和该道路发生交通拥堵事件对应的整合时间,调整该路网子区域和该道路对应交通灯的交通灯的绿灯持续时间,
在上述公式(3)中,T表示该路网子区域和该道路对应交通灯的交通灯的绿灯持续时间;Tmax表示该交通灯的绿灯持续时间的最大值;tz-i表示与该路网子区域和该道路对应同一个交通灯的第i个路网子区域和该道路的整合时间。
上述技术方案的有益效果为:利用上述公式(1),根据路网子区域和道路发生多个交通拥堵事件对应的位置拥堵首端位置和拥堵末端位置进行位置信息整合,并且对路网子区域和道路发生的多个交通拥堵事件对应的时间进行整合,从而将找到极端拥堵情况下的拥堵位置和时间,便于后续控制的交通灯更加的人性化;然后利用上述公式(2),根据路网子区域和道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与路网子区域和道路对应交通灯之间的水平距离值以及与路网子区域和所述道路对应同一个交通灯的其它路网子区域和道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与对应交通灯之间的水平距离值得到路网子区域和所述道路对应交通灯的影响值,从而对距离较远的拥堵情况,交通灯进行很小程度的调整,以节省系统资源;最后利用上述公式(3),根据路网子区域和道路对应交通灯的影响值以及路网子区域和道路发生交通拥堵事件对应的整合时间调整路网子区域和道路对应交通灯的交通灯的绿灯持续时间,从而根据调整绿灯持续时间便于全方位的疏解拥堵情况。
从上述实施例的内容可知,该智能交通的路网交通流时空预测方法将城市路网划分为若干路网子区域和连通相邻路网子区域的道路,对路网子区域和道路进行全天候拍摄,并将拍摄得到的路网子区域影像和道路影像划分为对应不同时段的路网子区域图片帧序列和道路图片帧序列;通过对上述图片帧序列进行识别,得到不同时间段内的路网子区域和道路的交通特征参数,以此预测未来不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息和拥堵相关参数;再根据拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态;上述方法对城市路网预先进行路网子区域的划分,继而对每个网路子区域进行不同时段的拍摄监控,这样能够对在不同空间和不同时间层面上对城市路网进行监控,为预测城市路网的交通流变化情况提供充足的数据支持,实现预测未来较长一段时间内不同时间段和不同区域位置的交通流变化情况,提高对城市交通疏导管理的及时性和准确性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种智能交通的路网交通流时空预测方法,其特征在于,其包括如下步骤:
步骤S1,将城市路网划分为若干路网子区域,并且相邻的路网子区域之间至少通过一条道路连通;对每个路网子区域和每个相邻的路网子区域之间的道路进行全天候拍摄监测,以此获得相应的路网子区域影像和道路影像,并对所述路网子区域影像和所述道路影像进行影像预处理;
步骤S2,根据所述全天候拍摄的时间节点,从所述路网子区域影像提取得到对应不同时段的路网子区域图片帧序列以及对应不同时间段的道路图片帧序列;对所述路网子区域图片帧序列和所述道路图片帧序列进行识别处理,得到不同时间段内的所述路网子区域和所述道路的交通特征参数;
步骤S3,根据所述路网子区域和所述道路的交通特征参数,预测得到在下一个全天候拍摄监测过程中不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息;根据所述车辆行驶流动信息和所述车辆流输送信息,预测每个路网子区域和每个道路各自对应的拥堵相关参数;
步骤S4,根据所述路网子区域和所述道路对应的拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态;
其中,在所述步骤S4中,根据所述路网子区域和所述道路对应的拥堵相关参数,确定每个路网子区域和每个道路发生交通拥堵事件对应的位置和时间,以此调整每个路网子区域和每个道路的交通灯工作状态具体包括:
根据所述路网子区域在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间,确定所述路网子区域发生交通拥堵事件对应的位置和时间;
根据所述道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间,确定所述道路发生交通拥堵事件对应的位置和时间;
根据所述路网子区域和所述道路发生交通拥堵事件对应的位置和时间,调整所述路网子区域和所述道路对应交通灯的绿灯持续时间和/或红灯与绿灯的切换频率;
其中,所述步骤S4中,根据所述路网子区域和所述道路发生交通拥堵事件对应的位置和时间,调整所述路网子区域和所述道路对应交通灯的绿灯持续时间和/或红灯与绿灯的切换频率具体包括:
步骤S401,利用下面公式(1),根据所述路网子区域和所述道路发生多个交通拥堵事件对应的位置拥堵首端位置和拥堵末端位置进行位置信息整合,以及对所述路网子区域和所述道路发生的多个交通拥堵事件对应的时间进行整合,
在上述公式(1)中,etop表示所述路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵首端位置坐标信息;edown表示所述路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵末端位置坐标信息;Etop(a)表示所述路网子区域和所述道路发生的第a个交通拥堵事件对应位置的拥堵首端位置坐标信息;Edown(b)表示所述路网子区域和所述道路发生的第b个交通拥堵事件对应位置的拥堵末端位置坐标信息;S[Etop(a),Edown(b)]表示所述路网子区域和所述道路发生的第a个交通拥堵事件对应位置的拥堵首端位置与所述路网子区域和所述道路发生的第b个交通拥堵事件对应位置的拥堵末端位置之间的水平距离值;G表示所述路网子区域和所述道路发生的交通拥堵事件的总件数;表示将a和b的值均依次从1取值到G代入到括号内得到括号内取得最大值时的[Etop(a),Edown(b)]信息;tz表示所述道路发生交通拥堵事件对应的整合时间;t(a)表示所述路网子区域和所述道路发生的第a个交通拥堵事件对应的时间;表示将a的值从1取值到G代入到括号内得到括号内的最大值;
步骤S402,利用下面公式(2),根据所述路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与所述路网子区域和所述道路对应交通灯之间的水平距离值,以及所述路网子区域和所述道路对应同一个交通灯的其它路网子区域和所述道路发生交通拥堵事件对应的位置的整合拥堵首端位置和整合拥堵末端位置与对应交通灯之间的水平距离值,得到所述路网子区域和所述道路对应交通灯的影响值,
在上述公式(2)中,W表示所述路网子区域和所述道路对应交通灯的影响值;S(etop,H)表示所述路网子区域和所述道路发生的交通拥堵事件对应位置的整合拥堵首端位置与对应交通灯之间的水平距离值;S(edown,H)表示所述路网子区域和所述道路发生的交通拥堵事件对应位置的整合拥堵末端位置与对应交通灯之间的水平距离值;S(etop_i,H)表示与所述路网子区域和所述道路对应同一个交通灯的第i个路网子区域和所述道路发生的交通拥堵事件对应位置的首端位置与对应交通灯之间的水平距离值;S(edown_i,H)表示与所述路网子区域和所述道路对应同一个交通灯的第i个路网子区域和所述道路发生的交通拥堵事件对应位置的末端位置与对应交通灯之间的水平距离值;n表示与所述路网子区域和所述道路对应同一个交通灯的其它路网子区域和所述道路的总个数;
步骤S403,利用下面公式(3),根据所述路网子区域和所述道路对应交通灯的影响值,以及所述路网子区域和所述道路发生交通拥堵事件对应的整合时间,调整所述路网子区域和所述道路对应交通灯的交通灯的绿灯持续时间,
在上述公式(3)中,T表示所述路网子区域和所述道路对应交通灯的交通灯的绿灯持续时间;Tmax表示所述交通灯的绿灯持续时间的最大值;tz_i表示与所述路网子区域和所述道路对应同一个交通灯的第i个路网子区域和所述道路的整合时间。
2.如权利要求1所述的智能交通的路网交通流时空预测方法,其特征在于:
在所述步骤S1中,将城市路网划分为若干路网子区域,并且相邻的路网子区域之间至少通过一条道路连通具体包括:
根据城市路网整体的道路密度分布信息,将城市路网划分为若干路网子区域,其中每个路网子区域内部的平均道路密度分布值与预设道路密度分布基准值之间的差值在预设阈值范围内;所述道路密度分布信息是指城市路网内部单位面积范围内的道路长度;
并且在所有路网子区域中,任意相邻的两个路网子区域之间至少存在一条共用道路连通。
3.如权利要求2所述的智能交通的路网交通流时空预测方法,其特征在于:
在所述步骤S1中,对每个路网子区域和每个相邻的路网子区域之间的道路进行全天候拍摄监测,以此获得相应的路网子区域影像和道路影像,并对所述路网子区域影像和所述道路影像进行影像预处理具体包括:
对每个路网子区域和每个相邻的路网子区域之间的道路进行一天24小时的连续扫描拍摄监测,以此获得相应的路网子区域全天候影像和道路全天候影像;
对所述路网子区域全天候影像和所述道路全天候影像进行影像背景噪声的卡尔曼滤波预处理。
4.如权利要求3所述的智能交通的路网交通流时空预测方法,其特征在于:
在所述步骤S2中,根据所述全天候拍摄的时间节点,从所述路网子区域影像提取得到对应不同时段的路网子区域图片帧序列以及对应不同时间段的道路图片帧序列具体包括:
根据所述全天候拍摄过程对应的交通繁忙时段与非繁忙时段之间的时间分界节点,从所述路网子区域全天候影像中提取得到繁忙时段路网子区域图片帧序列与非繁忙时段路网子区域图片帧序列,以及从所述道路全天候影像中提取得到繁忙时段道路图片帧序列与非繁忙时段道路图片帧序列。
5.如权利要求4所述的智能交通的路网交通流时空预测方法,其特征在于:
在所述步骤S2中,对所述路网子区域图片帧序列和所述道路图片帧序列进行识别处理,得到不同时间段内的所述路网子区域和所述道路的交通特征参数具体包括:
对所述繁忙时段路网子区域图片帧序列和所述非繁忙时段路网子区域图片帧序列进行车辆和路面识别处理,得到在繁忙时段内和非繁忙时段内,所述路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置,以此作为所述路网子区域的交通特征参数;
对所述繁忙时段道路图片帧序列和所述非繁忙时段道路图片帧序列进行车辆和路面识别处理,得到在繁忙时间段内和非繁忙时间段内,所述道路上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置,以此作为所述道路的交通特征参数。
6.如权利要求5所述的智能交通的路网交通流时空预测方法,其特征在于:
在所述步骤S3中,根据所述路网子区域和所述道路的交通特征参数,预测得到在下一个全天候拍摄监测过程中不同时间段对应的路网子区域内部的车辆行驶流动信息以及不同路网子区域之间的车辆流输送信息具体包括:
将所述路网子区域内部的车辆存在数量,车辆行驶速度与方向,路面损坏区段长度与位置输入到预设交通流预测模型,以此预测得到下一个全天候24小时拍摄监测过程中,所述路网子区域内部于繁忙时间段内和非繁忙时间段内对应的行驶车辆总数量和车辆平均行驶速度,以此作为路网子区域内部的车辆行驶流动信息;
将所述道路上的车辆存在数量,车辆行驶速度,路面损坏区段长度与位置输入到预设交通流预测模型,以此预测得到下一个全天候24小时拍摄监测过程中,所述道路连接的两个路网子区域之间的车辆流输送量;其中,所述车辆流输送量是指单位时间内两个路网子区域通过所述道路进行车辆流交换的车辆数量。
7.如权利要求6所述的智能交通的路网交通流时空预测方法,其特征在于:
在所述步骤S3中,根据所述车辆行驶流动信息和所述车辆流输送信息,预测每个路网子区域和每个道路各自对应的拥堵相关参数具体包括:
根据所述路网子区域内部于繁忙时间段内和非繁忙时间段内对应的行驶车辆总数量和车辆平均行驶速度,预测所述路网子区域在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间;
根据所述道路对应的车辆流输送量,预测所述道路在繁忙时间段内和非繁忙时间段分别对应的拥堵持续时间长度和拥堵路段区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108369.5A CN115482664B (zh) | 2022-09-13 | 2022-09-13 | 一种智能交通的路网交通流时空预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108369.5A CN115482664B (zh) | 2022-09-13 | 2022-09-13 | 一种智能交通的路网交通流时空预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115482664A CN115482664A (zh) | 2022-12-16 |
CN115482664B true CN115482664B (zh) | 2023-04-07 |
Family
ID=84424257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211108369.5A Active CN115482664B (zh) | 2022-09-13 | 2022-09-13 | 一种智能交通的路网交通流时空预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482664B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2392667A1 (en) * | 2001-07-10 | 2003-01-10 | Makor Issues And Rights Ltd. | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks |
CN110111576A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于时空拥堵子团的城市交通弹性指标及其实现方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102021992B1 (ko) * | 2018-08-21 | 2019-09-18 | 한국과학기술정보연구원 | 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체 |
CN112489456B (zh) * | 2020-12-01 | 2022-01-28 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
CN113192345B (zh) * | 2021-04-12 | 2022-04-15 | 武汉理工大学 | 一种用于十字路口的红绿灯智能调控系统 |
CN113570883B (zh) * | 2021-07-27 | 2023-06-13 | 中国联合网络通信集团有限公司 | 交通信号灯系统、控制方法、装置、介质及程序产品 |
CN114399900B (zh) * | 2021-12-31 | 2023-03-21 | 黑龙江工程学院 | 一种基于遥感技术的智慧城市交通管理系统和方法 |
CN114995119A (zh) * | 2022-02-16 | 2022-09-02 | 南京信息工程大学 | 基于多智能体深度强化学习的城市交通信号协同控制方法 |
-
2022
- 2022-09-13 CN CN202211108369.5A patent/CN115482664B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2392667A1 (en) * | 2001-07-10 | 2003-01-10 | Makor Issues And Rights Ltd. | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks |
CN110111576A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于时空拥堵子团的城市交通弹性指标及其实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115482664A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113409579B (zh) | 一种基于ai物联网技术的智慧城市交通管控系统 | |
US10242568B2 (en) | Adjustment of a learning rate of Q-learning used to control traffic signals | |
CN100573618C (zh) | 一种交通路口四相位车流量检测方法 | |
CN111710177B (zh) | 智慧交通信号灯组网协同优化控制系统及控制方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN112614338A (zh) | 一种基于大数据的交通拥堵预测控制系统 | |
CN113096418B (zh) | 交通网红绿灯控制方法、系统及计算机可读存储介质 | |
CN114141021B (zh) | 一种智慧城市交通信号灯控制系统及其控制方法 | |
CN102024330A (zh) | 基于高清视频技术的智能交通信号控制系统、方法及设备 | |
CN107248296B (zh) | 一种基于无人机和时序特征的视频交通流量统计方法 | |
CN110728850A (zh) | 一种道路交通信号自适应优化系统 | |
CN102024331A (zh) | 可用于智能交通信号控制系统的系统 | |
CN114333313B (zh) | 一种基于高速公路监控的智能巡检方法 | |
CN115482664B (zh) | 一种智能交通的路网交通流时空预测方法 | |
CN113160586A (zh) | 潮汐通道控制方法、装置及其系统、计算机可读存储介质 | |
CN114913447B (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
CN108806314B (zh) | 基于背景建模监测目标与车位使用情况的智能调光led灯 | |
KR101808203B1 (ko) | 적응적 예측분석을 이용한 차량 단속 시스템 및 그 방법 | |
CN116564083A (zh) | 一种基于改进CrowdDet算法的高速公路交通拥堵检测的方法 | |
CN107730890B (zh) | 一种基于实时场景下车流车速预测的智能交通方法 | |
CN110428612A (zh) | 车辆管控方法、装置、计算机设备和存储介质 | |
CN113421452A (zh) | 一种基于视觉分析的露天停车场推荐系统 | |
KR102493981B1 (ko) | 교통 혼잡 예측 장치 및 방법 | |
CN116634111B (zh) | 一种道路监控图像拍摄方法以及摄像装置 | |
CN113870597B (zh) | 基于物联网数据的交通调度的方法和系统 |
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 |