CN115499848A - 一种应用于车路协同路侧传感器部署优化方法 - Google Patents

一种应用于车路协同路侧传感器部署优化方法 Download PDF

Info

Publication number
CN115499848A
CN115499848A CN202211139043.9A CN202211139043A CN115499848A CN 115499848 A CN115499848 A CN 115499848A CN 202211139043 A CN202211139043 A CN 202211139043A CN 115499848 A CN115499848 A CN 115499848A
Authority
CN
China
Prior art keywords
sensor
function
road
deployment
genetic algorithm
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
Application number
CN202211139043.9A
Other languages
English (en)
Inventor
陈稷栋
蔡营
梁子湘
陆鑫
胡文
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.)
Dongfeng Yuexiang Technology Co Ltd
Original Assignee
Dongfeng Yuexiang Technology Co Ltd
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 Dongfeng Yuexiang Technology Co Ltd filed Critical Dongfeng Yuexiang Technology Co Ltd
Priority to CN202211139043.9A priority Critical patent/CN115499848A/zh
Publication of CN115499848A publication Critical patent/CN115499848A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种应用于车路协同路侧传感器部署优化方法，所述方法包括：步骤F1：建立传感器部署优化问题的数学模型；步骤F2：基于传感器部署优化问题的目标函数G，获取多目标遗传算法的目标函数H；步骤F3：根据所述目标函数H，结合最优化问题的转换规则，获取所述多目标遗传算法的适应度函数Y；步骤F4：随机生成所述多目标遗传算法的初始值，并根据所述适应度函数Y，利用所述多目标遗传算法得到所述目标函数G的最优解。本发明不仅可以提前确认传感器的部署方案，而且满足路侧感知系统的功能要求、覆盖要求及成本要求。

Description

一种应用于车路协同路侧传感器部署优化方法
技术领域
本发明涉及路侧传感器部署技术领域，尤其是涉及一种应用于车路协同路侧传感器部署优化方法。
背景技术
车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
路侧感知作为车联网产业化市场的有力组成部分，利用视觉和雷达等多种传感器，配合边缘计算设备，可实现对当前道路交通参与者和路况信息的实时获取。利用路侧感知技术可效地弥补车辆的感知盲区，第一时间为驾驶员提供道路环境的实时信息，并做出有效决策；同时为相关交通部门提供道路交通环境的监控和预测，实现一定范围内的车辆协同调度，有效地改善城市道路车辆拥堵情况，实现车路协同。路侧感知系统布置任务旨在实现感知覆盖与布置成本最小化的路网范围路侧传感器布置方案。
发明内容
鉴于以上问题，本发明提供了一种车路协同路侧传感器部署优化方法，不仅可以提前确认传感器的部署方案，而且满足路侧感知系统的功能要求、覆盖要求及成本要求。
为了实现上述目的及其他相关目的，本发明提供的技术方案如下：
一种应用于车路协同路侧传感器部署优化方法，包括以下步骤：
F1：建立传感器部署优化问题的数学模型；
基于传感器部署优化问题作如下定义，放置点集合J＝{1,2,3，...n}，放置点j的传感器的有效覆盖面积sj，传感器的总成本为pj；道路的总面积为S；待放置传感器集合为M，Xjm表示决策变量，若工件j在集合M中，则Xjm＝0，否则Xjm＝1，根据上述定义，对传感器部署优化问题建立如下数学模型：
目标函数：
Figure BDA0003852675050000011
约束条件为：
Figure BDA0003852675050000012
Xjm∈{0,1},
Figure BDA0003852675050000013
m∈M
Figure BDA0003852675050000014
F2：基于传感器部署优化问题的目标函数G，获取多目标遗传算法的目标函数H；
F3：根据所述目标函数H，结合最优化问题的转换规则，获取所述多目标遗传算法的适应度函数Y；
F4：随机生成所述多目标遗传算法的初始值，并根据所述适应度函数Y，利用所述多目标遗传算法得到所述目标函数G的最优解。
进一步的，在步骤F2中，获取多目标遗传算法的目标函数H的步骤具体包括：基于道路总面积S设置传感器所需花费最小为目标函数H，公式如下：
Figure BDA0003852675050000021
其中ωi为各个项的权重系数，pj为传感器的成本，Xjm表示决策变量。
进一步的，在步骤F3中，获取所述多目标遗传算法的适应度函数Y的具体步骤包括如下：
F31：对传感器安装位置和方式进行基因编码，确定所述传感器基因型；
F32：所述基因编码包括以下方式：以“0”代表离散点空缺，以“1”代表顺着道路行进方向的单杆安装一个传感器，以“2”代表逆着道路行进方向的单杆安装一个传感器，以“3”代表两个道路方向的单杆各自安装一个传感器；
F33：基于步骤F31和步骤F32，构造传感器的安置成本的函数：
Dict＝{“0”:0，
“1”:C1+C2，
“2”:C1+C2，
“3”:C1+C2*2}
其中C1为杆的成本，C2为传感器的成本；
F34：基于传感器的安置成本的函数，建立适应度函数：
Figure BDA0003852675050000022
其中η为传感器覆盖率，si为每个传感器的覆盖面积，key(i)为多目标遗传算法目标函数的函数值。
进一步的，在步骤F34中，所述η为传感器覆盖率，其中
Figure BDA0003852675050000023
其中OR为道路面积，O为传感器总的有效覆盖面积。
进一步的，在步骤F4中，所述得到所述目标函数G的最优解的具体步骤包括：
F41：基于传感器放置点，生成初始化群体；
F42：根据所述适应度函数Y，计算个体适应度；
F43：通过轮盘赌选择法进行优胜劣汰，适应度高的个体被遗传到下一代的概率更大，适应度低的个体被遗传到下一代的概率变小；
F44：采用单点交叉或变异分割，对两个相互配对的染色体按某种方式交换交换其部分基因，形成两个新的个体；
F45：选择终止进化代数为Q，进化Q次后停止运算，Q为正整数。
进一步的，在步骤F41中，所述初始化群体的步骤包括：基于选定区域内一组传感器的基因编码作为初始值，所述一组传感器的初始值作为初始化群体。
为了实现上述目的及其他相关目的，本发明还提供了一种应用于车路协同路侧传感器部署优化系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的步骤。
为了实现上述目的及其他相关目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的计算机程序。
本发明具有以下积极效果：
本发明结合传感器建模、网联传感系统建模及多目标优化等算法实现路侧传感系统的优化部署，以满足路侧感知系统的功能要求、覆盖要求及成本要求，与此同时，基于多目标遗传算法，结合适应度函数的运算，实现了传感器的部署优化。
附图说明
图1为本发明流程示意图。
具体实施方式
为更加清晰地阐述本发明的目的、技术方案和优点，以下仅结合部分具体实施例，并参照附图，对本发明作进一步的详细说明。
如图1所示，一种应用于车路协同路侧传感器部署优化方法，包括以下步骤：
F1：建立传感器部署优化问题的数学模型；
基于传感器部署优化问题作如下定义，放置点集合J＝{1,2,3，...n}，放置点j的传感器的有效覆盖面积sj，传感器的总成本为pj；道路的总面积为S；待放置传感器集合为M，Xjm表示决策变量，若工件j在集合M中，则Xjm＝0，否则Xjm＝1，根据上述定义，对传感器部署优化问题建立如下数学模型：
目标函数：
Figure BDA0003852675050000031
约束条件为：
Figure BDA0003852675050000032
Xjm∈{0,1},
Figure BDA0003852675050000033
m∈M
Figure BDA0003852675050000034
F2：基于传感器部署优化问题的目标函数G，获取多目标遗传算法的目标函数H；
F3：根据所述目标函数H，结合最优化问题的转换规则，获取所述多目标遗传算法的适应度函数Y；
F4：随机生成所述多目标遗传算法的初始值，并根据所述适应度函数Y，利用所述多目标遗传算法得到所述目标函数G的最优解。
进一步的，在步骤F2中，获取多目标遗传算法的目标函数H的步骤具体包括：基于道路总面积S设置传感器所需花费最小为目标函数H，公式如下：
Figure BDA0003852675050000041
其中ωi为各个项的权重系数，pj为传感器的成本，Xjm表示决策变量。
进一步的，在步骤F3中，获取所述多目标遗传算法的适应度函数Y的具体步骤包括如下：
F31：对传感器安装位置和方式进行基因编码，确定所述传感器基因型；
F32：所述基因编码包括以下方式：以“0”代表离散点空缺，以“1”代表顺着道路行进方向的单杆安装一个传感器，以“2”代表逆着道路行进方向的单杆安装一个传感器，以“3”代表两个道路方向的单杆各自安装一个传感器；
F33：基于步骤F31和步骤F32，构造传感器的安置成本的函数：
Dict＝{“0”:0，
“1”:C1+C2，
“2”:C1+C2，
“3”:C1+C2*2}
其中C1为杆的成本，C2为传感器的成本；
F34：基于传感器的安置成本的函数，建立适应度函数：
Figure BDA0003852675050000042
其中η为传感器覆盖率，si为每个传感器的覆盖面积，key(i)为多目标遗传算法目标函数的函数值。
进一步的，在步骤F34中，所述η为传感器覆盖率，其中
Figure BDA0003852675050000043
其中OR为道路面积，O为传感器总的有效覆盖面积。
进一步的，在步骤F4中，所述得到所述目标函数G的最优解的具体步骤包括：
F41：基于传感器放置点，生成初始化群体；
F42：根据所述适应度函数Y，计算个体适应度；
F43：通过轮盘赌选择法进行优胜劣汰，适应度高的个体被遗传到下一代的概率更大，适应度低的个体被遗传到下一代的概率变小；
F44：采用单点交叉或变异分割，对两个相互配对的染色体按某种方式交换交换其部分基因，形成两个新的个体；
F45：选择终止进化代数为Q，进化Q次后停止运算，Q为正整数。
具体地，在相同的遗传算子下,初始种群性状和数量以及对算法收敛速度和结果的影响不能忽略，初始种群生成选择不当，将增加迭代次数,甚至直接导致无法产生最优解。未加任何限制前，在随机获得的初始种群中可以看到存在大量重复覆盖区域，虽然覆盖率达到了99％，但大部分位置的传感器其实可以空缺。究其原因，在随机分布过程中，有四种可能形式，即“0”，“1”，“2”“3”，其中安装的概率达到了75％，但实际上离散点上空缺的位置应该更多，这种不平衡的分布导致了初始种群的冗余，影响迭代速率。因此，在初始种群产生时，就控制“非0”编码的概率，在相似覆盖面积下，可以使用更少的传感器和运行时间。
进一步的，在步骤F41中，所述初始化群体的步骤包括：基于选定区域内一组传感器的基因编码作为初始值，所述一组传感器的初始值作为初始化群体。
为了实现上述目的及其他相关目的，本发明还提供了一种应用于车路协同路侧传感器部署优化系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的步骤。
为了实现上述目的及其他相关目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述应用于车路协同路侧传感器部署优化方法的计算机程序。
具体地，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种应用于车路协同路侧传感器部署优化方法，其特征在于，包括以下步骤：
F1：建立传感器部署优化问题的数学模型；
基于传感器部署优化问题作如下定义，放置点集合J＝{1,2,3，...n}，放置点j的传感器的有效覆盖面积sj，传感器的总成本为pj；道路的总面积为S；待放置传感器集合为M，Xjm表示决策变量，若工件j在集合M中，则Xjm＝0，否则Xjm＝1，根据上述定义，对传感器部署优化问题建立如下数学模型：
目标函数：
Figure FDA0003852675040000011
约束条件为：
Figure FDA0003852675040000012
Figure FDA0003852675040000013
Figure FDA0003852675040000014
F2：基于传感器部署优化问题的目标函数G，获取多目标遗传算法的目标函数H；
F3：根据所述目标函数H，结合最优化问题的转换规则，获取所述多目标遗传算法的适应度函数Y；
F4：随机生成所述多目标遗传算法的初始值，并根据所述适应度函数Y，利用所述多目标遗传算法得到所述目标函数G的最优解。
2.根据权利要求1所述的应用于车路协同路侧传感器部署优化方法，其特征在于，在步骤F2中，获取多目标遗传算法的目标函数H的步骤具体包括：基于道路总面积S设置传感器所需花费最小为目标函数H，公式如下：
Figure FDA0003852675040000015
其中ωi为各个项的权重系数，pj为传感器的成本，Xjm表示决策变量。
3.根据权利要求1所述的应用于车路协同路侧传感器部署优化方法，其特征在于：在步骤F3中，获取所述多目标遗传算法的适应度函数Y的具体步骤包括如下：
F31：对传感器安装位置和方式进行基因编码，确定所述传感器基因型；
F32：所述基因编码包括以下方式：以“0”代表离散点空缺，以“1”代表顺着道路行进方向的单杆安装一个传感器，以“2”代表逆着道路行进方向的单杆安装一个传感器，以“3”代表两个道路方向的单杆各自安装一个传感器；
F33：基于步骤F31和步骤F32，构造传感器的安置成本的函数：
Dict＝{“0”:0，
“1”:C1+C2，
“2”:C1+C2，
“3”:C1+C2*2}
其中C1为杆的成本，C2为传感器的成本；
F34：基于传感器的安置成本的函数，建立适应度函数：
Figure FDA0003852675040000021
其中η为传感器覆盖率，si为每个传感器的覆盖面积，key(i)为多目标遗传算法目标函数的函数值。
4.根据权利要求3所述的应用于车路协同路侧传感器部署优化方法，其特征在于：在步骤F34中，所述η为传感器覆盖率，其中：
Figure FDA0003852675040000022
其中OR为道路面积，O为传感器总的有效覆盖面积。
5.根据权利要求1所述的应用于车路协同路侧传感器部署优化方法，其特征在于：在步骤F4中，所述得到所述目标函数G的最优解的具体步骤包括：
F41：基于传感器放置点，生成初始化群体；
F42：根据所述适应度函数Y，计算个体适应度；
F43：通过轮盘赌选择法进行优胜劣汰，适应度高的个体被遗传到下一代的概率更大，适应度低的个体被遗传到下一代的概率变小；
F44：采用单点交叉或变异分割，对两个相互配对的染色体按某种方式交换交换其部分基因，形成两个新的个体；
F45：选择终止进化代数为Q，进化Q次后停止运算，Q为正整数。
6.根据权利要求5所述的应用于车路协同路侧传感器部署优化方法，其特征在于：在步骤F41中，所述初始化群体的步骤包括：基于选定区域内一组传感器的基因编码作为初始值，所述一组传感器的初始值作为初始化群体。
7.一种应用于车路协同路侧传感器部署优化系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～6中任意一项所述应用于车路协同路侧传感器部署优化方法的步骤。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述应用于车路协同路侧传感器部署优化方法的计算机程序。
CN202211139043.9A 2022-09-19 2022-09-19 一种应用于车路协同路侧传感器部署优化方法 Pending CN115499848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211139043.9A CN115499848A (zh) 2022-09-19 2022-09-19 一种应用于车路协同路侧传感器部署优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211139043.9A CN115499848A (zh) 2022-09-19 2022-09-19 一种应用于车路协同路侧传感器部署优化方法

Publications (1)

Publication Number Publication Date
CN115499848A true CN115499848A (zh) 2022-12-20

Family

ID=84470877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211139043.9A Pending CN115499848A (zh) 2022-09-19 2022-09-19 一种应用于车路协同路侧传感器部署优化方法

Country Status (1)

Country Link
CN (1) CN115499848A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116320321A (zh) * 2023-05-11 2023-06-23 山东建筑大学 农业信息传输方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116320321A (zh) * 2023-05-11 2023-06-23 山东建筑大学 农业信息传输方法、装置、电子设备及存储介质
CN116320321B (zh) * 2023-05-11 2023-09-19 山东建筑大学 农业信息传输方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111238521B (zh) 一种无人驾驶车辆的路径规划方法及系统
CN111967698B (zh) 基于移动充电桩调度的电动汽车充电系统及装置
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN105070042A (zh) 一种交通预测的建模方法
CN112556714B (zh) 一种消防灭火救援智能路径规划方法及系统
CN105701571A (zh) 一种基于神经网络组合模型的短时交通流量预测方法
Odeh et al. A hybrid fuzzy genetic algorithm for an adaptive traffic signal system
CN109800904A (zh) 带时间窗的装配式建筑预制件配送路径优化方法及系统
CN111710162B (zh) 一种城市路网交通运行状况监测方法及系统
CN115630978B (zh) 一种基于人口就业分布的多交通设施选址方法
CN115499848A (zh) 一种应用于车路协同路侧传感器部署优化方法
CN114815802A (zh) 一种基于改进蚁群算法的无人天车路径规划方法和系统
CN103336999A (zh) 一种基于多蚁群的组合交通疏散优化方法
Zarghami et al. Urban water resources planning by using a modified particle swarm optimization algorithm
Tan et al. Optimization of urban traffic network signalization using genetic algorithm
CN109886459A (zh) 一种基于神经网络的公共停车场停车需求预测方法
Ma et al. A multiobjective route robust optimization model and algorithm for hazmat transportation
Odeh Hybrid algorithm: fuzzy logic-genetic algorithm on traffic light intelligent system
CN115862322A (zh) 一种车辆可变限速控制优化方法、系统、介质及设备
CN117557069B (zh) 一种充电桩选址方法及系统、电子设备、存储介质
CN112562363B (zh) 一种基于v2i的交叉口交通信号优化方法
Lee et al. A conjugate gradient projection algorithm for the traffic assignment problem
Sekhara et al. MULTIMODAL CHOICE MODELING USING RANDOM FOREST DECISION TREES.
Kim et al. Lane assignment problem using a genetic algorithm in the Automated Highway Systems
Ye et al. A Method for Signal Coordination in Large‐Scale Urban Road Networks

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