CN116403410A - 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法 - Google Patents

一种考虑拥堵车源的高速公路混合路径诱导模型构建方法 Download PDF

Info

Publication number
CN116403410A
CN116403410A CN202310659995.1A CN202310659995A CN116403410A CN 116403410 A CN116403410 A CN 116403410A CN 202310659995 A CN202310659995 A CN 202310659995A CN 116403410 A CN116403410 A CN 116403410A
Authority
CN
China
Prior art keywords
model
double
cost
constructing
induction model
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
Application number
CN202310659995.1A
Other languages
English (en)
Other versions
CN116403410B (zh
Inventor
王璞
王天浩
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202310659995.1A priority Critical patent/CN116403410B/zh
Publication of CN116403410A publication Critical patent/CN116403410A/zh
Application granted granted Critical
Publication of CN116403410B publication Critical patent/CN116403410B/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
    • 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
    • G08G1/09—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
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及交通技术领域，公开一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，根据高速公路及周边公路构建双层路网，再根据最短路径诱导模型和最小成本诱导模型构建混合路径诱导模型，即根据额外出行成本和总出行成本对OD对进行综合排序并划分为两个部分，按拥堵贡献大小对两个部分的OD对分别应用不同模型来计算，将两个部分的诱导结果叠加得混合路径诱导模型的诱导结果；该模型基于实际交通网络构建双层路网，聚焦对拥堵贡献大的出行者和拥堵车源进行路径诱导，能综合考虑车辆出行成本和出行路径长短，有利于缓解高速公路的拥堵情况、降低车辆总体出行成本，还可兼顾大多数出行者的利益，具有良好诱导效果、更高的实用价值和兼容性。

Description

一种考虑拥堵车源的高速公路混合路径诱导模型构建方法
技术领域
本发明涉及交通技术领域，特别涉及一种考虑拥堵车源的高速公路混合路径诱导模型构建方法。
背景技术
近些年，随着我国高速公路的快速发展，交通需求快速增加，高速公路的运输压力越来越大，拥堵事件频发，这些事件对运输效率、交通安全等方面都产生了不利影响。而高速公路和一些主要的国道和省道是连接各个城市区域的重要通道，肩负着城市之间客、货运输的主要任务，故高速公路等重要通道上交通拥堵缓解策略是学者研究的重点之一。随着人们对高速公路拥堵缓解方法的日益重视，各种关于路径诱导的研究也不断增多，在利用传统方法和智能算法对路径选择进行优化的领域取得了极大进展，同时，对路网中动态交通信息的获取也有效地解决了对突发事件处理不及时的问题。
但是，现有方法仍然存在着以下问题：
1）当前的大部分路径诱导的研究都只使用单一的模型方法（如最短路径诱导模型或最小成本诱导模型），对两种甚至多种方法组成的混合路径诱导模型的研究较少，在提高路径诱导效果的同时，难以保证较高的实用性；
2）目前关于路径诱导的研究中，大多只使用单一的路网作为研究案例，很少根据实际情况对高速公路与其他公路进行区分，使用更为精细的双层路网，这样会使得模型的计算结果与实际情况存在较大的差异。
发明内容
为针对现有方法存在的上述难以兼具诱导效果与实用性及路网与实际情况不符的问题，本发明提供一种考虑拥堵车源的高速公路混合路径诱导模型，首先通过路网中不同路段的道路级别构建高速公路和国道、省道等其他公路组成的双层路网，然后提出由最短路径诱导模型和最小成本诱导模型组成的、兼具良好诱导效果和实用性的混合路径诱导模型，通过对起、终点间的交通出行量（即OD对，O为origin的缩写，指出行发地点；D为destination的缩写，指出行的目的地）上出行者的额外出行成本和总出行成本大小进行综合排序，将所有出行者分为对拥堵贡献大和贡献小两部分，分别应用最小成本诱导模型和最短路径诱导模型，将两部分结果累加，得到混合路径诱导模型的计算结果。
为实现上述目的，本发明采用如下技术方案：
一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，包括如下步骤：
步骤1，构建双层路网：
获取待研究高速公路及其周边公路的地理信息数据，构建由高速公路和非高速公路两部分组成的双层路网；
步骤2，构建最短路径诱导模型：
获取双层路网中的OD对数据，按自由行驶时间最短的原则构建最短路径诱导模型，计算双层路网中每个路段上的自由行驶时间和交通流量，路段的自由行驶时间为路段的长度与限制速度之比，按公式（1）计算：
Figure SMS_1
其中：
Figure SMS_2
为路段的自由行驶时间，/>
Figure SMS_3
为路段的长度，/>
Figure SMS_4
为路段的限制速度；
步骤3，构建最小成本诱导模型：
根据双层路网和OD对数据，按双层路网总出行成本最小的原则构建最小成本诱导模型，计算双层路网中每个路段上的交通流量以及每个OD对上的实际总出行时间；
步骤4，构建混合路径诱导模型：
根据步骤2的结果计算每个OD对上出行者的额外出行成本，同时根据步骤3的结果 计算每个OD对上出行者的总出行成本，再根据额外出行成本和总出行成本对全部OD对进行 综合升序排序，设定P值并选取与区间（0，P]对应的综合排序在前的OD对作为
Figure SMS_5
部分，其余OD 对作为
Figure SMS_6
部分，
Figure SMS_7
为排序在前的OD对占全部OD对的比例，
Figure SMS_8
∈（0，1）；先将
Figure SMS_9
部分中的OD 对应用最短路径诱导模型，再将
Figure SMS_10
部分中的OD对应用最小成本诱导模型，将两个模型的诱导 导航结果叠加，得到混合路径诱导模型的诱导结果。
进一步地，步骤1构建的双层路网中，将高速公路周边的国道、省道及其内部连接的低等级道路作为非高速公路部分，将同类型公路部分中各节点之间的路段作为网内链接，两种不同类型公路部分的交汇处设置网间链接；网内链接权重为车辆通过同类型公路部分中相应网内链接所用的时间，网间链接权重为车辆进出高速公路时所消耗的平均时间，包括车辆进出高速公路辅路和通过高速公路收费站时所消耗的时间。
进一步地，步骤2中，在最短路径诱导模型中，每一位出行者都直接选择起点与终点之间最近的路线，即自由行驶时间最短的路线，任一OD对上出行者的数量即为该OD对的交通出行量，将基于最短路线的所有OD对上的交通出行量添加至其在双层路网中途经的所有路段，得到每个路段上的交通流量。
进一步地，步骤3中，最小成本诱导模型为双层路网中每一个出行者规划出一条行驶路线，使双层路网中的车辆出行时间总和即总出行成本最小，最小成本诱导模型按公式（2）、（3）表达为：
路段出行成本：
Figure SMS_11
其中：
Figure SMS_12
为节点
Figure SMS_16
至节点
Figure SMS_18
对应路段出行成本，
Figure SMS_15
为路段上车辆的实际行驶 时间，
Figure SMS_17
、
Figure SMS_21
分别表示路段的起点和终点，
Figure SMS_23
为节点
Figure SMS_13
至节点
Figure SMS_19
对应路段的每小时交通流量，
Figure SMS_20
为该路段的交通容量，
Figure SMS_22
和
Figure SMS_14
为常数；
总出行成本：
Figure SMS_24
其中：
Figure SMS_25
为目标函数，即总出行成本；
公式（3）中，当节点
Figure SMS_26
、节点
Figure SMS_27
取双层路网中的所有节点进行求和时，计算得到的
Figure SMS_28
即为双层路网的总出行成本；当节点
Figure SMS_29
、节点
Figure SMS_30
取某OD对上的所有节点进行求和时，计算得到 的
Figure SMS_31
即为该OD对上出行者的总出行成本。
进一步地，步骤3中，采用Link Flow类型的算法求解最小成本诱导模型，LinkFlow类型的算法优选Frank-Wolfe算法、连续平均法（MSA算法）。
进一步地，步骤4中，每一个OD对上出行者的额外出行成本按公式（4）计算：
Figure SMS_32
其中：
Figure SMS_34
为额外出行成本，
Figure SMS_37
为双层路网中某个OD对上起点、终点之间的车辆总数 即出行者总数，
Figure SMS_39
为某个OD上第
Figure SMS_35
位出行者按照最短路径行驶时在起点、终点之间所经历的 路段的总数，
Figure SMS_38
为最短路径诱导模型中第
Figure SMS_40
条路段的交通流量，
Figure SMS_42
为第
Figure SMS_33
条路段的交通容量，
Figure SMS_36
为第
Figure SMS_41
条路段的自由行驶时间。
进一步的，步骤4中，按下述方法对OD对进行综合升序排序：
先按OD对上出行者的总出行成本对全部OD对进行升序排序，按A的比例将全部OD 对划分为与A、1-A对应的前后两部分，A取值范围为0.4~0.6，优选0.5，再按出行者的额外出 行成本分别对两个部分中的OD对进行升序排序，然后设定P值并选取与区间（0，P]对应的综 合排序在前的OD对作为
Figure SMS_43
部分，其余所有OD对作为
Figure SMS_44
部分，
Figure SMS_45
部分代表拥堵贡献大的部 分，
Figure SMS_46
部分中的出现者即为拥堵车源。
进一步的，步骤4中，构建混合路径诱导模型时，先将
Figure SMS_47
部分中OD对应用最短路 径诱导模型，重新计算得到
Figure SMS_48
部分中OD对在每个路段上的交通流量，然后利用公式（2）计 算每个路段上的实际出行时间，更新双层路网中各路段的出行成本；再将
Figure SMS_49
部分中OD对应用 最小成本诱导模型，将
Figure SMS_50
部分和
Figure SMS_51
部分的模型诱导导航结果叠加，得到混合路径诱导模 型的诱导结果，同时得到双层路网中每个路段上的交通流量以及总出行成本和额外出行成 本。
进一步的，
Figure SMS_52
的取值范围按下述方法进行确定：
设定不同的
Figure SMS_53
值，根据混合路径诱导模型，计算不同
Figure SMS_54
值情况下双层路网中的平均 实际行驶时间
Figure SMS_55
和平均额外行驶时间
Figure SMS_56
，再按下述方法确定
Figure SMS_57
的取值范围，得到与
Figure SMS_58
部分对 应的所有OD对；
Figure SMS_59
的下限满足：以最短路径诱导模型的计算结果为基准，应用混合路径诱导模型时 的平均实际行驶时间
Figure SMS_63
、平均额外行驶时间
Figure SMS_65
的下降幅度相较于应用最小成本诱导模型时 下降幅度的比例
Figure SMS_60
、
Figure SMS_62
满足
Figure SMS_66
、
Figure SMS_69
≥80%，优选
Figure SMS_61
、
Figure SMS_64
≥90%，
Figure SMS_67
、
Figure SMS_68
按公式（5）计算：
Figure SMS_70
其中：
Figure SMS_71
、
Figure SMS_72
为应用混合路径诱导模型时的平均实际行驶时间、平均额外行驶时 间，
Figure SMS_73
、
Figure SMS_74
为应用最小成本诱导模型时的平均实际行驶时间、平均额外行驶时间，
Figure SMS_75
、
Figure SMS_76
为应 用最短路径诱导模型时的平均实际行驶时间、平均额外行驶时间；
Figure SMS_78
的上限满足：
Figure SMS_80
、
Figure SMS_83
相对于
Figure SMS_79
的变化率
Figure SMS_81
、
Figure SMS_82
≥0.2，
Figure SMS_84
、
Figure SMS_77
按公式（6）计算：
Figure SMS_85
，
Figure SMS_86
（6）
其中：
Figure SMS_87
、
Figure SMS_88
分别为
Figure SMS_89
、
Figure SMS_90
随
Figure SMS_91
的变化量，
Figure SMS_92
为
Figure SMS_93
的变化量。
进一步地，双层路网中出行者的平均实际行驶时间和平均额外行驶时间分别按公式（7）、（8）计算：
Figure SMS_94
Figure SMS_95
其中：
Figure SMS_96
为平均实际行驶时间，
Figure SMS_97
为平均额外行驶时间，
Figure SMS_98
为平均自由行驶时间，
Figure SMS_99
为路段上车辆的实际行驶时间，
Figure SMS_100
为路段上车辆的自由行驶时间，
Figure SMS_101
为双层路网中 的出行者总数。
与现有预测方法相比，本发明的技术效果在于：
（1）混合路径诱导模型能够聚焦对拥堵贡献较大的小部分出行者和拥堵车源进行路径诱导，因此该模型不仅能综合考虑车辆出行成本和出行路径长短，缓解高速公路部分区域的拥堵情况、降低车辆总体出行成本，还可以兼顾大多数出行者的利益，使模型对全部出行者的影响尽可能降到最低，更容易被出行者接受，具有更高的实用价值。
（2）同时，构建双层路网模型能够更好地反映高速公路和其他主要交通路线网络的实际交汇情况，使得模型的计算结果更贴近真实情况，更具有普适性。
附图说明
图1是本发明所述一种考虑拥堵车源的高速公路混合路径诱导模型构建方法的流程图。
图2为实施例1中构建的双层路网图；图中，粗线条为高速公路，细线条为非高速公路，三角形标志为网间链接位置。
图3为实施例1中最短路径诱导模型计算示例图；图中，括号（a，b）内的数值a表示 该路段的长度
Figure SMS_102
，数字b表示该路段的限制速度
Figure SMS_103
。
图4为实施例1混合路径诱导模型中的平均实际行驶时间
Figure SMS_104
、平均额外行驶时间
Figure SMS_105
随
Figure SMS_106
值变化的折线图，其中（a）为
Figure SMS_107
随
Figure SMS_108
值变化的折线图，（b）为
Figure SMS_109
随
Figure SMS_110
值变化的折线图。
图5为实施例1混合路径诱导模型中的平均实际行驶时间
Figure SMS_113
、平均额外行驶时间
Figure SMS_115
各自的下降幅度的比例
Figure SMS_117
、
Figure SMS_112
随
Figure SMS_116
值的变化折线图，其中（a）为
Figure SMS_118
随
Figure SMS_119
值变化的折线图，（b） 为
Figure SMS_111
随
Figure SMS_114
值变化的折线图。
图4~图5中，当P=0时，代表应用最短路径诱导模型；当P=1时，代表应用最小成本诱导模型；当0<P<1时，代表应用混合路径诱导模型。
具体实施方式
下面结合实施例和附图来对本发明的技术方案作清晰、完整的阐述，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做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。
实施例1；
参见图1~5，本发明实施例提供了一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，包括以下步骤：
步骤1，构建双层路网：
获取待研究高速公路及其周边公路的地理信息数据，构建由高速公路和非高速公路两部分组成的双层路网；
在构建的双层路网中，将高速公路周边的国道、省道及其内部连接的低等级道路作为非高速公路部分，将同类型公路部分（高速公路部分或非高速公路部分）中各节点之间的路段作为网内链接，两种不同类型公路部分的交汇处设置网间链接；网内链接权重为车辆通过同类型公路部分中相应链接所用的时间，网间链接权重为车辆进出高速公路时所消耗的平均时间，包括车辆进出高速公路辅路和通过高速公路收费站时所消耗的时间；
本实施例选取某省境内的高速公路以及其周边公路作为研究对象，获取的双层路网中路段的基本属性信息包括路段限速、车道数、道路宽度等，随后根据获取的数据计算出路段长度和基本通行能力（即交通容量）；
获得该省交通的双层路网共包含25072条路段和23437个节点，共设置238个网间链接，其中，高速公路部分包含550条路段和506个节点；非高速公路部分包括24522条路段和22931个节点；根据参考文献（杨鹏飞.取消省界收费站对高速公路车辆运行影响分析研究[D].长安大学,2021.）的记载，同时考虑车辆进出高速公路辅路和通过高速公路收费站时所消耗的时间，网间链接权重设置为2.5min；
步骤2，构建最短路径诱导模型：
获取双层路网中的OD对数据，按自由行驶时间最短的原则构建最短路径诱导模型，计算双层路网中每个路段上的自由行驶时间和交通流量；
所述OD对数据均来源于该省某交通研究院，其中，包含2019年5月中旬的该省高速公路每小时的OD对数据，OD对数据的起点和终点为高速公路收费站点，共450个，并删除了存在信息缺失情况及其他无法使用的OD对数据；以2019年5月15日13点至14点的OD对数据为例，原始数据有13246条，OD对总量为54504辆车，经过筛选后得到的有效OD对数据为12801条，OD对总量为52701辆车；
在最短路径诱导模型中，假设每一位驾驶者都直接选择起点与终点之间最近的路 线，即自由行驶时间最短的路线，任一OD对上出行者的数量即为该OD对的交通出行量，将基 于最短路线的所有OD对上的交通出行量添加至其在双层路网中途径的所有路段，得到每个 路段上的交通流量
Figure SMS_120
（上标r代表应用最短路径诱导模型的计算结果），路段的自由行驶时 间为路段的长度与限制速度之比，按公式（1）计算：
Figure SMS_121
其中：
Figure SMS_122
为路段的自由行驶时间，
Figure SMS_123
为路段的长度，
Figure SMS_124
为路段的限制速度；
最短路径诱导模型的计算示例如下：
假设图3为路网中的一部分，由6个节点和7条路段组成，括号（a，b）内的第一个数 值a表示该路段的长度
Figure SMS_126
，第二个数字b表示该路段的限制速度
Figure SMS_128
，由已知数据可以计算出每 个路段的自由行驶时间
Figure SMS_130
，例如
Figure SMS_125
；假设图中节点A至节点C的交通出行量为20，节 点A至节点F的交通出行量为30，首先根据每个路段的自由行驶时间找到节点A至C和F的最 短路径（自由行驶时间总和最小），分别为A→B→C和A→B→E→F，自由行驶时间总和分别为 4和5，然后将二者的交通出行量依次加在途经的路段上，可以得到
Figure SMS_129
，
Figure SMS_131
，
Figure SMS_132
，
Figure SMS_127
，其余路段的交通流量为0；
步骤3，构建最小成本诱导模型：
根据双层路网和OD对数据，按双层路网总出行成本最小的原则构建最小成本诱导模型，计算双层路网中每个路段上的交通流量以及每个OD对上的实际总出行时间；
最小成本诱导模型为双层路网中每一个出行者规划出一条行驶路线，使整个交通网络中的车辆出行时间总和即总出行成本最小，最小成本诱导模型按公式（2）、（3）构建：
路段出行成本：
Figure SMS_133
其中：
Figure SMS_135
为节点
Figure SMS_138
至节点
Figure SMS_140
对应路段出行成本，
Figure SMS_137
为路段上车辆的实际行驶 时间，
Figure SMS_142
、
Figure SMS_144
分别表示路段的起点和终点，
Figure SMS_145
为节点
Figure SMS_136
至节点
Figure SMS_139
对应路段的每小时交通流量，
Figure SMS_141
为该路段的交通容量，
Figure SMS_143
和
Figure SMS_134
为常数；
总出行成本：
Figure SMS_146
其中：
Figure SMS_147
为目标函数，即总出行成本；
公式（3）中，当节点
Figure SMS_148
、节点
Figure SMS_149
取双层路网中的所有节点进行求和时，计算得到的
Figure SMS_150
即为双层路网的总出行成本，当节点
Figure SMS_151
、节点
Figure SMS_152
取某OD对上的所有节点进行求和时，计算得到 的
Figure SMS_153
即为该OD对上出行者的总出行成本；
根据公式（2）、（3）进一步推导可得：
Figure SMS_154
Figure SMS_155
本实施例中，由于上述方程具有隐式解，因此采用Link Flow类型的算法中的 Frank-Wolfe算法对其进行求解，最终得到应用最小成本诱导模型时双层路网中每个路段 上的交通流量
Figure SMS_156
（上标c代表应用最小成本诱导模型的计算结果）和实际总出行时间，计算 得到的部分路段上的交通流量如表1；此外，也可以C采用连续平均法（MSA算法）对式（4）进 行求解；
Figure SMS_157
步骤4，构建混合路径诱导模型：
根据步骤2的结果计算每个OD对上出行者的额外出行成本，同时根据步骤3的结果 计算每个OD对上出行者的总出行成本，再根据额外出行成本和总出行成本对全部OD对进行 综合升序排序，设定P值并选取与区间（0，P]对应的综合排序在前的OD对作为
Figure SMS_158
部分，其余OD 对作为
Figure SMS_159
部分，
Figure SMS_160
为排序在前的OD对占全部OD对的比例，
Figure SMS_161
∈（0，1）；先将
Figure SMS_162
部分中的OD 对应用最短路径诱导模型，再将
Figure SMS_163
部分中的OD对应用最小成本诱导模型，将两个模型的诱导 导航结果叠加，得到混合路径诱导模型的诱导结果；
1）根据步骤2所得最短路径诱导模型中的自由行驶时间和交通流量，按公式（5）计算每个OD对上出行者的额外出行成本：
Figure SMS_164
其中：
Figure SMS_166
为额外出行成本，
Figure SMS_169
为经过路网中两个节点的车辆总数即出行者总数、OD 对总数，
Figure SMS_171
为第
Figure SMS_165
位出行者按照最短路径方案行驶时，起点、终点之间所经历的路段的总数，
Figure SMS_173
为第
Figure SMS_176
条路段的交通流量，
Figure SMS_177
为第
Figure SMS_167
条路段的交通容量，
Figure SMS_170
为第
Figure SMS_172
条路段的自由行驶时间， 取
Figure SMS_174
和
Figure SMS_168
；计算得到的部分OD对上出行者的额外出行成本
Figure SMS_175
结果如表2；
Figure SMS_178
根据步骤3所述最小成本诱导模型中每个OD对上的实际总出行时间计算得到该OD对上出行者的总出行成本；
2）再根据额外出行成本和总出行成本对全部OD对进行综合升序排序：
先按OD对上出行者的总出行成本对全部OD对进行升序排序，按A的比例将全部OD 对划分为与A、1-A对应的前后两部分，A取值范围为0.4~0.6，本实施例中A取0.5，再按出行 者的额外出行成本分别对两个部分中的OD对进行升序排序，然后设定P值并选取与区间（0， P]对应的综合排序在前的OD对作为
Figure SMS_179
部分，其余所有OD对作为
Figure SMS_180
部分；
Figure SMS_181
的取值范围为 （0，1），
Figure SMS_182
为排序在前的OD对占全部OD对的比例，
Figure SMS_183
部分代表拥堵贡献大的部分，
Figure SMS_184
部分代 表拥堵贡献小的部分；
3）先将
Figure SMS_186
部分中OD对应用最短路径诱导模型，重新计算得到
Figure SMS_189
部分中OD对在 每个路段上的交通流量
Figure SMS_193
，然后利用公式（2）计算每个路段上的实际出行时间，更新双层路 网中各路段的出行成本；再将
Figure SMS_187
部分中OD对应用最小成本诱导模型，求解得到
Figure SMS_188
部分中OD对 在每个路段上的交通流量
Figure SMS_190
，将
Figure SMS_192
部分和
Figure SMS_185
部分的模型诱导导航结果叠加，得到混合路 径诱导模型的诱导结果，同时得到双层路网中每个路段上的交通流量
Figure SMS_191
以及总 出行成本
Figure SMS_194
和额外出行成本
Figure SMS_195
（上标m代表应用混合路径诱导模型的计算结果）；
在本实施例中，按总出行成本进行排序时，排在前50%的OD对的总出行成本为380333min~689min，排在后50%的OD对的总出行成本为689min~1min，按额外出行成本进行排序时，上述两个部分各自对应的全部OD对中的额外出行成本分别为153105min~0min、515min~0min；
构建完混合路径诱导模型后，再按下述方法求解混合路径诱导模型，确定
Figure SMS_196
的取值 范围并得到拥堵贡献大的OD对：
设定不同的
Figure SMS_197
值，根据混合路径诱导模型，计算不同
Figure SMS_198
值情况下双层路网中的平均 实际行驶时间
Figure SMS_199
和平均额外行驶时间
Figure SMS_200
，再按下述方法确定
Figure SMS_201
的取值范围，得到与
Figure SMS_202
部分对 应的所有OD对；
1）首先，在
Figure SMS_203
的取值范围（0，1）之间按等差数列的形式设置不同
Figure SMS_204
的计算值，应用 至混合路径诱导模型中进行迭代计算，本实施例中公差取0.1；
2）然后按公式（6）、（7）计算不同
Figure SMS_205
值情况下出行者的平均实际行驶时间
Figure SMS_206
和平均 额外行驶时间
Figure SMS_207
：
Figure SMS_208
Figure SMS_209
其中：
Figure SMS_210
为平均实际行驶时间，
Figure SMS_211
为平均额外行驶时间，
Figure SMS_212
为平均自由行驶时间，
Figure SMS_213
为路段上车辆的实际行驶时间，
Figure SMS_214
为路段上车辆的自由行驶时间，
Figure SMS_215
为双层路网中 的出行者总数；
本实施例中，出行者总数
Figure SMS_218
，当
Figure SMS_219
时，
Figure SMS_222
(min)，
Figure SMS_217
(min)，
Figure SMS_220
(min)，平均实际行驶时间
Figure SMS_221
与平均额外 行驶时间
Figure SMS_223
随
Figure SMS_216
值变化的折线图如图4；
3）再确定
Figure SMS_224
的取值范围，得到与
Figure SMS_225
部分对应的所有OD对；
Figure SMS_228
的下限满足：以最短路径诱导模型的计算结果为基准，应用混合路径诱导模型时 的平均实际行驶时间
Figure SMS_230
、平均额外行驶时间
Figure SMS_234
的下降幅度相较于应用最小成本诱导模型时 下降幅度的比例
Figure SMS_227
、
Figure SMS_229
满足
Figure SMS_232
、
Figure SMS_235
≥80%，优选
Figure SMS_226
、
Figure SMS_231
≥90%，
Figure SMS_233
、
Figure SMS_236
按公式（8）计算：
Figure SMS_237
其中：
Figure SMS_238
、
Figure SMS_239
为应用混合路径诱导模型时的平均实际行驶时间、平均额外行驶时 间，
Figure SMS_240
、
Figure SMS_241
为应用最小成本诱导模型时的平均实际行驶时间、平均额外行驶时间，
Figure SMS_242
、
Figure SMS_243
为应 用最短路径诱导模型时的平均实际行驶时间、平均额外行驶时间；
例如，在最短路径诱导模型（
Figure SMS_245
）中，
Figure SMS_248
min，
Figure SMS_250
min；在最小成本诱 导模型（
Figure SMS_246
）中，
Figure SMS_252
min，
Figure SMS_253
min；在混合路径诱导模型中，当
Figure SMS_254
时，
Figure SMS_244
min，
Figure SMS_247
min，则
Figure SMS_249
，
Figure SMS_251
≈64%；
Figure SMS_255
的上限满足：
Figure SMS_258
、
Figure SMS_260
相对于
Figure SMS_256
的变化率
Figure SMS_259
、
Figure SMS_261
≥0.2，
Figure SMS_262
、
Figure SMS_257
按公式（9）计算：
Figure SMS_263
，
Figure SMS_264
（9）
其中：
Figure SMS_265
、
Figure SMS_266
分别为
Figure SMS_267
、
Figure SMS_268
随
Figure SMS_269
的变化量，
Figure SMS_270
为
Figure SMS_271
的变化量；
本实施例中，当
Figure SMS_281
时，
Figure SMS_274
、
Figure SMS_277
，当
Figure SMS_275
时，
Figure SMS_278
，
Figure SMS_282
，
Figure SMS_284
，
Figure SMS_280
；当
Figure SMS_285
时，
Figure SMS_273
、
Figure SMS_276
，
Figure SMS_286
，
Figure SMS_290
；显然，当
Figure SMS_287
时，
Figure SMS_291
、
Figure SMS_288
0.2，当
Figure SMS_293
时，
Figure SMS_289
、
Figure SMS_292
0.2，取
Figure SMS_272
的上限为0.1的整数倍数0.5；实际上，设定
Figure SMS_279
值的公差越小，最终所得到的
Figure SMS_283
取值范围越准 确；
在本实施例中，
Figure SMS_311
、
Figure SMS_316
随
Figure SMS_318
值变化的折线图由图5，当
Figure SMS_296
时，相较于最短路径诱 导模型，混合路径诱导模型的平均实际行驶时间
Figure SMS_298
和平均额外行驶时间
Figure SMS_305
的下降幅度达 到最小成本诱导模型下降幅度的65%左右，即
Figure SMS_309
、
Figure SMS_310
为65%左右，
Figure SMS_314
时，
Figure SMS_319
、
Figure SMS_321
达到83%以 上，
Figure SMS_317
时，
Figure SMS_320
、
Figure SMS_323
达到了90%以上，因此
Figure SMS_325
值下限取0.2，优选0.3；另外，当
Figure SMS_312
（0.4， 0.5）及更小时，平均实际行驶时间
Figure SMS_315
、平均额外行驶时间
Figure SMS_322
的下降比例
Figure SMS_324
、
Figure SMS_297
相对于
Figure SMS_299
的变 化率δ≥0.2，当
Figure SMS_302
（0.5，0.6）及更大时
Figure SMS_306
、
Figure SMS_295
的下降比例
Figure SMS_301
、
Figure SMS_303
相对于
Figure SMS_307
的变化率
Figure SMS_300
、
Figure SMS_304
< 0.2，即随着
Figure SMS_308
继续增加，
Figure SMS_313
、
Figure SMS_294
的变化不大，此时即使增加拥堵诱导OD对，拥堵诱导的实际 效果并无显著改善，反而增加经济成本；
对比应用三种模型的计算结果可知，最小成本诱导模型与混合路径诱导模型
Figure SMS_335
、
Figure SMS_328
明显比最短路径诱导模型低，体现出缓解拥堵的作用；而
Figure SMS_332
时，混合路径诱导模型优 化效果非常接近最小成本方案，
Figure SMS_329
、
Figure SMS_331
值均超过了80%，而且很好地解决了优化效果与可行 性之间的矛盾，能节省大量的时间和精力；但由于
Figure SMS_334
越大意味着需要进行路径诱导的车辆越 多，实施难度也越大，实用性会大幅降低，当
Figure SMS_337
时
Figure SMS_339
、
Figure SMS_341
不再有明显下降的趋势，因此在 本实施例中，
Figure SMS_326
取
Figure SMS_330
，优选0.3~0.5；当
Figure SMS_336
时，
Figure SMS_342
部分对应的OD对数量为2560条，
Figure SMS_338
部分对应的OD对数量为10241条，当
Figure SMS_340
时，
Figure SMS_327
部分对应的OD对数量为6400条，
Figure SMS_333
部分对 应的OD对数量为6401条，因此根据本发明所述混合路径诱导模型得到的拥堵诱导OD对数量 约在2560~6400条之间，同时还可以得到相应的混合路径诱导方案；对这些OD对进行路径诱 导，可以在最大程度改善高速公路拥堵状况的同时节尽可能约经济成本，同时使出行者的 满意度较高。
本发明未尽事宜为现有技术。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：包括如下步骤：
步骤1，构建双层路网：
获取待研究高速公路及其周边公路的地理信息数据，构建由高速公路和非高速公路两部分组成的双层路网；
步骤2，构建最短路径诱导模型：
获取双层路网中的OD对数据，按自由行驶时间最短的原则构建最短路径诱导模型，计算双层路网中每个路段上的自由行驶时间和交通流量；
步骤3，构建最小成本诱导模型：
根据双层路网和OD对数据，按双层路网总出行成本最小的原则构建最小成本诱导模型，计算双层路网中每个路段上的交通流量以及每个OD对上的实际总出行时间；
步骤4，构建混合路径诱导模型：
根据步骤2的结果计算每个OD对上出行者的额外出行成本，同时根据步骤3的结果计算每个OD对上出行者的总出行成本，再根据额外出行成本和总出行成本对全部OD对进行综合升序排序，设定P值并选取与区间（0，P]对应的综合排序在前的OD对作为
Figure QLYQS_1
部分，其余OD对作为/>
Figure QLYQS_2
部分，/>
Figure QLYQS_3
∈（0，1）；先将/>
Figure QLYQS_4
部分中的OD对应用最短路径诱导模型，再将/>
Figure QLYQS_5
部分中的OD对应用最小成本诱导模型，将两个模型的诱导导航结果叠加，得到混合路径诱导模型的诱导结果。
2.根据权利要求1所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：步骤1构建的双层路网中，将同类型公路部分中各节点之间的路段作为网内链接，两种不同类型公路部分的交汇处设置网间链接；网内链接权重为车辆通过同类型公路部分中相应网内链接所用的时间，网间链接权重为车辆进出高速公路时所消耗的平均时间。
3.根据权利要求1所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：步骤2中，在最短路径诱导模型中，每一位出行者都直接选择起点与终点之间最近的路线，即自由行驶时间最短的路线，将基于最短路线的所有OD对上的交通出行量添加至其在双层路网中途经的所有路段，得到每个路段上的交通流量。
4.根据权利要求3所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：自由行驶时间按公式（1）计算：
Figure QLYQS_6
；其中：/>
Figure QLYQS_7
为路段的自由行驶时间，/>
Figure QLYQS_8
为路段的长度，/>
Figure QLYQS_9
为路段的限制速度。
5.根据权利要求1所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：步骤3中，最小成本诱导模型为双层路网中每一个出行者规划出一条行驶路线，使双层路网中的车辆出行时间总和即总出行成本最小，最小成本诱导模型按公式（2）、（3）表达为：
路段出行成本：
Figure QLYQS_13
；其中：/>
Figure QLYQS_15
为节点/>
Figure QLYQS_19
至节点/>
Figure QLYQS_11
对应路段出行成本，/>
Figure QLYQS_14
为路段上车辆的实际行驶时间，/>
Figure QLYQS_16
为节点/>
Figure QLYQS_18
至节点/>
Figure QLYQS_10
对应路段的每小时交通流量，
Figure QLYQS_17
为该路段的交通容量，/>
Figure QLYQS_20
为路段的自由行驶时间，/>
Figure QLYQS_21
和/>
Figure QLYQS_12
为常数；
总出行成本：
Figure QLYQS_22
；其中：/>
Figure QLYQS_23
为目标函数，即总出行成本。
6.根据权利要求1所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：步骤4中，每一个OD对上出行者的额外出行成本按公式（4）计算：
Figure QLYQS_25
；其中：/>
Figure QLYQS_28
为额外出行成本，/>
Figure QLYQS_29
为双层路网中某个OD对上起点、终点之间的出行者总数，/>
Figure QLYQS_26
为某个OD上第/>
Figure QLYQS_30
位出行者按照最短路径行驶时在起点、终点之间所经历的路段的总数，/>
Figure QLYQS_33
为最短路径诱导模型中第/>
Figure QLYQS_34
条路段的交通流量，/>
Figure QLYQS_24
为第/>
Figure QLYQS_27
条路段的交通容量，/>
Figure QLYQS_31
为第/>
Figure QLYQS_32
条路段的自由行驶时间。
7.根据权利要求1所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：步骤4中，按下述方法对OD对进行综合升序排序：
先按OD对上出行者的总出行成本对全部OD对进行升序排序，按A的比例将全部OD对划分为与A、1-A对应的前后两部分，A取值范围为0.4~0.6，再按出行者的额外出行成本分别对两个部分中的OD对进行升序排序，然后设定P值并选取与区间（0，P]对应的综合排序在前的OD对作为
Figure QLYQS_35
部分，其余所有OD对作为/>
Figure QLYQS_36
部分。
8.根据权利要求7所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：步骤4中，构建混合路径诱导模型时，先将
Figure QLYQS_37
部分中OD对应用最短路径诱导模型，计算得到/>
Figure QLYQS_38
部分中OD对在每个路段上的交通流量，然后计算每个路段上的实际出行时间，更新双层路网中各路段的出行成本；再将/>
Figure QLYQS_39
部分中OD对应用最小成本诱导模型，将
Figure QLYQS_40
部分和/>
Figure QLYQS_41
部分的模型诱导导航结果叠加，得到混合路径诱导模型的诱导结果。
9.根据权利要求1-8任一项所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：
Figure QLYQS_42
的取值范围按下述方法进行确定：
设定不同的
Figure QLYQS_43
值，根据混合路径诱导模型，计算不同/>
Figure QLYQS_44
值情况下双层路网中的平均实际行驶时间/>
Figure QLYQS_45
和平均额外行驶时间/>
Figure QLYQS_46
，再按下述方法确定/>
Figure QLYQS_47
的取值范围；
Figure QLYQS_49
的下限满足：以最短路径诱导模型的计算结果为基准，应用混合路径诱导模型时的平均实际行驶时间/>
Figure QLYQS_52
、平均额外行驶时间/>
Figure QLYQS_54
的下降幅度相较于应用最小成本诱导模型时下降幅度的比例/>
Figure QLYQS_50
、/>
Figure QLYQS_53
满足/>
Figure QLYQS_55
、/>
Figure QLYQS_56
≥80%，/>
Figure QLYQS_48
、/>
Figure QLYQS_51
按公式（5）计算：
Figure QLYQS_57
；其中：/>
Figure QLYQS_58
、/>
Figure QLYQS_59
为应用混合路径诱导模型时的平均实际行驶时间、平均额外行驶时间，/>
Figure QLYQS_60
、/>
Figure QLYQS_61
为应用最小成本诱导模型时的平均实际行驶时间、平均额外行驶时间，/>
Figure QLYQS_62
、/>
Figure QLYQS_63
为应用最短路径诱导模型时的平均实际行驶时间、平均额外行驶时间；
Figure QLYQS_65
的上限满足：/>
Figure QLYQS_68
、/>
Figure QLYQS_70
相对于/>
Figure QLYQS_66
的变化率/>
Figure QLYQS_67
、/>
Figure QLYQS_69
≥0.2，/>
Figure QLYQS_71
、/>
Figure QLYQS_64
按公式（6）计算：
Figure QLYQS_74
，/>
Figure QLYQS_76
（6）；其中：/>
Figure QLYQS_77
、/>
Figure QLYQS_73
分别为/>
Figure QLYQS_78
、/>
Figure QLYQS_79
随/>
Figure QLYQS_80
的变化量，/>
Figure QLYQS_72
为/>
Figure QLYQS_75
的变化量。
10.根据权利要求9所述的一种考虑拥堵车源的高速公路混合路径诱导模型构建方法，其特征在于：双层路网中出行者的平均实际行驶时间和平均额外行驶时间分别按公式（7）、（8）计算：
Figure QLYQS_83
；/>
Figure QLYQS_85
；其中：/>
Figure QLYQS_87
为平均实际行驶时间，/>
Figure QLYQS_82
为平均额外行驶时间，/>
Figure QLYQS_84
为平均自由行驶时间，/>
Figure QLYQS_86
为路段上车辆的实际行驶时间，/>
Figure QLYQS_88
为路段上车辆的自由行驶时间，/>
Figure QLYQS_81
为双层路网中的出行者总数。
CN202310659995.1A 2023-06-06 2023-06-06 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法 Active CN116403410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310659995.1A CN116403410B (zh) 2023-06-06 2023-06-06 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310659995.1A CN116403410B (zh) 2023-06-06 2023-06-06 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法

Publications (2)

Publication Number Publication Date
CN116403410A true CN116403410A (zh) 2023-07-07
CN116403410B CN116403410B (zh) 2023-08-22

Family

ID=87020180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310659995.1A Active CN116403410B (zh) 2023-06-06 2023-06-06 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法

Country Status (1)

Country Link
CN (1) CN116403410B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580586A (zh) * 2023-07-12 2023-08-11 中南大学 一种平衡个人利益和社会利益的车辆路径诱导方法及系统
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN116611586A (zh) * 2023-07-19 2023-08-18 山东高速股份有限公司 一种基于双层异构网络的新建路网流量预测方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1737502A (zh) * 2005-08-05 2006-02-22 北京工业大学 延误风险规避的车载导航系统准动态路线优化方法
WO2006125291A1 (en) * 2005-05-25 2006-11-30 Hiroyuki Takada System and method for estimating travel times of a traffic probe
KR100838798B1 (ko) * 2007-01-09 2008-06-17 에스케이 텔레콤주식회사 실시간 교통정보 기반의 경로정보 제공 시스템과 방법 및이를 위한 이동통신 단말기
US20110208429A1 (en) * 2010-02-24 2011-08-25 Microsoft Corporation Route Computation Based on Route-Oriented Vehicle Trajectories
US20120158301A1 (en) * 2009-07-09 2012-06-21 Heiko Schilling Navigation devices and methods carried out thereon
US20120283948A1 (en) * 2011-05-03 2012-11-08 University Of Southern California Hierarchical and Exact Fastest Path Computation in Time-dependent Spatial Networks
CN103337189A (zh) * 2013-06-08 2013-10-02 北京航空航天大学 一种基于路段动态划分的车辆路径诱导方法
CN105046949A (zh) * 2015-06-12 2015-11-11 中南大学 一种基于手机数据计算o-d流进行车源预测的方法
DE102015205901A1 (de) * 2015-04-01 2016-10-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Berechnung einer Route für ein Landfahrzeug
US20170059331A1 (en) * 2015-08-31 2017-03-02 Sap Se Route planner for transportation systems
CN107146446A (zh) * 2017-07-10 2017-09-08 中南大学 一种基于rfid数据和动态车源的路径诱导方法
US20170314939A1 (en) * 2016-04-27 2017-11-02 Telenav, Inc. Navigation system with arrival time mechanism and method of operation thereof
CN107331166A (zh) * 2017-07-25 2017-11-07 中南大学 一种基于路径分析的动态限行方法
CN111063208A (zh) * 2019-12-26 2020-04-24 山东科技大学 一种基于车联网的车道级交通诱导方法及系统
CN114267174A (zh) * 2021-12-22 2022-04-01 重庆邮电大学 一种考虑出行者和居民交通排放暴露的道路收费方法
CN115409256A (zh) * 2022-08-24 2022-11-29 吉林化工学院 基于行程时间预测的拥堵区避让的路径推荐方法
CN116013079A (zh) * 2023-01-06 2023-04-25 福建省高速公路联网运营有限公司 一种面向高速公路诱导屏诱导的交通分配方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006125291A1 (en) * 2005-05-25 2006-11-30 Hiroyuki Takada System and method for estimating travel times of a traffic probe
CN1737502A (zh) * 2005-08-05 2006-02-22 北京工业大学 延误风险规避的车载导航系统准动态路线优化方法
KR100838798B1 (ko) * 2007-01-09 2008-06-17 에스케이 텔레콤주식회사 실시간 교통정보 기반의 경로정보 제공 시스템과 방법 및이를 위한 이동통신 단말기
US20120158301A1 (en) * 2009-07-09 2012-06-21 Heiko Schilling Navigation devices and methods carried out thereon
US20110208429A1 (en) * 2010-02-24 2011-08-25 Microsoft Corporation Route Computation Based on Route-Oriented Vehicle Trajectories
US20120283948A1 (en) * 2011-05-03 2012-11-08 University Of Southern California Hierarchical and Exact Fastest Path Computation in Time-dependent Spatial Networks
CN103337189A (zh) * 2013-06-08 2013-10-02 北京航空航天大学 一种基于路段动态划分的车辆路径诱导方法
DE102015205901A1 (de) * 2015-04-01 2016-10-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Berechnung einer Route für ein Landfahrzeug
CN105046949A (zh) * 2015-06-12 2015-11-11 中南大学 一种基于手机数据计算o-d流进行车源预测的方法
US20170059331A1 (en) * 2015-08-31 2017-03-02 Sap Se Route planner for transportation systems
US20170314939A1 (en) * 2016-04-27 2017-11-02 Telenav, Inc. Navigation system with arrival time mechanism and method of operation thereof
CN107146446A (zh) * 2017-07-10 2017-09-08 中南大学 一种基于rfid数据和动态车源的路径诱导方法
CN107331166A (zh) * 2017-07-25 2017-11-07 中南大学 一种基于路径分析的动态限行方法
CN111063208A (zh) * 2019-12-26 2020-04-24 山东科技大学 一种基于车联网的车道级交通诱导方法及系统
CN114267174A (zh) * 2021-12-22 2022-04-01 重庆邮电大学 一种考虑出行者和居民交通排放暴露的道路收费方法
CN115409256A (zh) * 2022-08-24 2022-11-29 吉林化工学院 基于行程时间预测的拥堵区避让的路径推荐方法
CN116013079A (zh) * 2023-01-06 2023-04-25 福建省高速公路联网运营有限公司 一种面向高速公路诱导屏诱导的交通分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵俊军 等: "基于混合理性的路径诱导演化博弈模型", 公路与汽运, no. 6, pages 35 - 38 *
龚航 等: "基于手机数据的城市交通大区OD分布估计", 城市交通, vol. 14, no. 1, pages 37 - 42 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN116580563B (zh) * 2023-07-10 2023-09-22 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN116580586A (zh) * 2023-07-12 2023-08-11 中南大学 一种平衡个人利益和社会利益的车辆路径诱导方法及系统
CN116580586B (zh) * 2023-07-12 2023-10-13 中南大学 一种平衡个人利益和社会利益的车辆路径诱导方法及系统
CN116611586A (zh) * 2023-07-19 2023-08-18 山东高速股份有限公司 一种基于双层异构网络的新建路网流量预测方法及系统
CN116611586B (zh) * 2023-07-19 2023-10-31 山东高速股份有限公司 一种基于双层异构网络的新建路网流量预测方法及系统

Also Published As

Publication number Publication date
CN116403410B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN116403410B (zh) 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法
CN107944605B (zh) 一种基于数据预测的动态交通路径规划方法
Klobucar et al. Network evaluation tool to improve real and perceived bicycle safety
US6732048B2 (en) Alternate routes generation
CN104851309B (zh) 一种交通诱导策略的实现方法
CN105788306B (zh) 适于行驶速度波动的进口单放式干道绿波协调设计方法
CN106327871B (zh) 一种融合历史数据和预约数据的高速公路拥挤预测方法
CN106203700B (zh) 物流管理系统的物流运输方案确定方法和系统
CN112629533B (zh) 基于路网栅格化道路车流预测的精细化路径规划方法
CN112216130B (zh) 一种车路协同环境下的应急车辆诱导方法
CN107146446A (zh) 一种基于rfid数据和动态车源的路径诱导方法
CN105489000A (zh) 一种夜班公交车站点及路径选择方法
CN105279965A (zh) 一种基于路况的路段合并方法和装置
CN107490384A (zh) 一种基于城市路网的最优静态路径选择方法
CN111626469B (zh) 一种面向运能提升的快慢车开行优化方法
CN106530779A (zh) 一种基于城市交通控制信号灯的路径规划方法及系统
CN108986459A (zh) 一种基于预约通行的高速公路拥挤疏导方法
CN114842641B (zh) 面向省域的多模式链式交通分配方法
Kanoh et al. Knowledge based genetic algorithm for dynamic route selection
Pal et al. Cellular automata cell structure for modeling heterogeneous traffic
Kukadapwar et al. Estimation of optimal path on urban road networks using ahp algorithm
Yadav et al. Comparative analysis of route planning algorithms on road networks
Joo et al. A new route guidance method considering pedestrian level of service using multi-criteria decision making technique
Hermani et al. The effect of toll road operation on national road performance in Central Java province
Soloveva et al. Analyzing efficiency of different snow removal strategies in terms of the system wide time savings using dynamic link capacity in large-scale microsimulation

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