CN117058873A - 一种数字孪生条件下的快速道路可变限速控制方法 - Google Patents
一种数字孪生条件下的快速道路可变限速控制方法 Download PDFInfo
- Publication number
- CN117058873A CN117058873A CN202311016649.8A CN202311016649A CN117058873A CN 117058873 A CN117058873 A CN 117058873A CN 202311016649 A CN202311016649 A CN 202311016649A CN 117058873 A CN117058873 A CN 117058873A
- Authority
- CN
- China
- Prior art keywords
- speed limit
- variable speed
- scene
- control strategy
- limit control
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011217 control strategy Methods 0.000 claims abstract description 64
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000006872 improvement Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 230000002787 reinforcement Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种数字孪生条件下的快速道路可变限速控制方法，包括搭建场景仿真模型，生成基准可变限速协同控制策略；构建交通效率指标和交通安全指标，进行策略效果评估，并构筑历史数据事件库；为历史数据事件库中每个新场景搭建仿真模型，使用持续学习算法依次在每个场景对基准可变限速控制策略进行更新优化；进行多场景可变限速控制策略的平行测试，得到最优的可变限速控制策略，应用于现实环境进行可变限速控制。与现有技术相比，本发明保存了可变限速控制策略在每个场景的学习过程中的知识记忆，提高了适用性，能有效优化快速道路交通流的运行，实现可变限速协同控制策略的高效寻优，确保可变限速控制策略在实证应用过程中的有效性。
Description
技术领域
本发明涉及交通控制技术领域，尤其是涉及一种数字孪生条件下的快速道路可变限速控制方法。
背景技术
可变限速(Variable speed limit,VSL)是主动交通管理系统(Active trafficmanagement system,ATMS)的关键组成部分。可变限速控制包括对交通拥堵、二次事故预防和极端天气等多样化场景的路段限速，动态调整控制策略来改善交通流运行。
文献“Developing crash modification factors for variable speed limits”(FHWA,2021.https://www.fhwa.dot.gov/publications/research/safety/21080/21080.pdf)和文献“Assessment of dynamic speed limits on freeway A20 nearRotterdam”(Hoogendoorn,S.P.,Daamen,W.,Hoogendoorn,R.G.,Goemans,J.W.,2013.Transportation research record 2380(1),61-71.)公开了可变限速控制可以减少34％的事故率和18％的交通拥堵时间，对改善快速道路的交通安全和交通效率具有重要意义。
可变限速控制的核心在于控制策略的制定。目前，应用深度强化学习算法开展可变限速控制策略研究是主流趋势。然而，现有的基于深度强化学习的可变限速控制策略研究主要集中在单一场景控制策略训练上，在现实多场景环境下的适用性差。交通流场景具有复杂多样的特点，遍历式学习所有场景不可行，在多场景训练条件下，深度强化学习存在严重的场景遗忘问题，导致可变限速控制策略在早期训练的“旧场景”的性能下降。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种数字孪生条件下的快速道路可变限速控制策略生成方法。
本发明的目的可以通过以下技术方案来实现：
一种数字孪生条件下的快速道路可变限速控制方法，方法包括以下步骤：
步骤1、对当前路段搭建事件场景仿真模型作为交互环境，使用多智能体深度强化学习算法生成基准可变限速协同控制策略；
步骤2、构建交通效率指标和交通安全指标，形成综合评价指标，在现实多场景环境下应用基准可变限速控制策略并实时评估交通流改善效果，改善效果小于阈值时存储相应事件信息至历史事件数据库；
步骤3、基于历史事件数据库中的事件信息搭建对应场景的场景仿真模型，使用持续学习算法依次在每个场景对基准可变限速控制策略进行更新优化，得到多场景可变限速控制策略；
步骤4、在数字孪生条件下模拟该路段的现实交通流环境，在模拟环境中进行多场景可变限速控制策略的平行测试，根据交通安全和交通效率的综合改善效果，得到最优的可变限速控制策略，应用于现实环境进行可变限速控制。
进一步地，事件信息包括事件类型、事件持续时间和交通流信息。
进一步地，步骤1具体包括以下步骤：
步骤11、基于当前路段已有的事件信息，在仿真平台中搭建事件场景仿真模型；
步骤12、以搭建好的场景仿真模型作为交互环境，使用多智能体深度强化学习算法，将可变限速控制器作为智能体，进行仿真交互试错训练；
步骤13、当多智能体深度强化学习算法网络收敛后结束训练，得到基准可变限速协同控制策略。
进一步地，事件场景仿真模型包含跟驰模型和换道模型。
进一步地，多智能体深度强化学习算法包含智能体、状态、动作和回报函数，的智能体为路段可变限速控制器，状态为数据集合，包含路段速度均值、路段速度标准差、路段流量均值和路段流量标准差，动作为范围为路段的最低限速和最高限速，回报函数为算法训练的目标函数，回报函数公式如下：
r＝1.2AS-2SS-0.2V
式中，r为回报函数值，AS为路段速度均值，SS为路段速度标准差，AS和SS的单位均为km/h，V为速度低于50km/h的车辆总数，只计算各计算量数值，不计算单位。
进一步地，步骤3具体包括以下步骤：
步骤31、为步骤2中形成的事件库中的每一个事件搭建场景仿真模型；
步骤32、在新的场景中使用多智能体深度强化学习算法进行策略更新优化，在深度网络更新过程中使用持续学习算法限制梯度更新空间，并在每个场景训练结束后存储该场景的知识记忆；
步骤33、重复步骤32直至所有场景学习完毕，得到多场景可变限速控制策略。
进一步地，步骤32中场景的知识记忆用该场景训练结束后的网络参数矩阵R表示，梯度更新空间计算公式为：
式中，为训练过程中产生的梯度，M为训练过的所有场景的知识记忆的网络参数矩阵R的并集，MT为M的转置。
进一步地，步骤4具体包括以下步骤：
步骤41、使用数字孪生技术模拟现实交通流环境，将步骤1中生成的基准可变限速控制策略和步骤3中优化得到的多场景可变限速控制策略在数字孪生环境下进行平行测试；
步骤42、以步骤2中提出的交通效率指标和交通安全指标作为综合策略评估指标，分别计算在基准策略和优化后的多场景策略干预下的策略评估指标改善幅度；
步骤43、将指标改善幅度较大的策略作为最终的可变限速控制策略，并应用于现实快速道路环境。
进一步地，的交通安全指标为剩余碰撞时间E1，的交通效率指标为总行程时间E2，综合评价指标的计算方式如下：
E＝W1*E1+W2*E2
式中，E为综合评价指标，W1代表剩余碰撞时间E1的权重、W2代表总行程时间E2的权重。
进一步地，策略评估指标改善幅度计算公式如下：
式中，ΔE为策略评估指标改善幅度，EA为无干预下的综合评价指标值，EA′为在策略干预下的综合评价指标值。
与现有技术相比，本发明具有以下有益效果：
1、本发明对路段搭建场景仿真模型用于生成基准可变限速协同控制策略，使用综合评价指标进行实时评估，对改善效果不足的场景进行再次建模，并对基础策略进行更新优化，通过模拟进行多场景可变限速控制策略的平行测试，得到最优的可变限速控制策略，将结果应用于现实环境，提高了可变限速控制策略的可靠性。
2、本发明使用持续学习算法，保存了可变限速控制策略在每个场景的学习过程中的知识记忆，提高了可变限速控制策略在现实多场景环境下的适用性。
3、本发明综合考虑交通安全和交通效率两方面，开展了可变限速控制策略的生成与优化研究，能有效优化快速道路交通流的运行。
4、本发明采用了多智能体深度强化学习算法，使用深度网络捕捉连续高维状态输入特征，通过训练过程中系统全局信息共享，进行多路段联动，实现了可变限速协同控制策略的高效寻优。
5、本发明在数字孪生条件下对基准策略和优化策略进行平行测试及优选，进一步确保了可变限速控制策略在实证应用过程中的有效性。
附图说明
图1为本发明的方法流程示意图。
图2为本发明实例中的基于多智能体深度强化学习的可变限速控制策略学习框架。
图3为本发明实施例中的交通拥堵场景示意图。
图4为本发明实施例中的高事故风险场景示意图。
图5为本发明实施例中的二次事故预防场景示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本发明公开了一种数字孪生条件下的快速道路可变限速控制方法，如图1所示流程，方法具体包括以下步骤：
步骤1、基准协同策略生成：对当前路段搭建事件场景仿真模型作为交互环境，使用多智能体深度强化学习算法生成基准可变限速协同控制策略；
步骤2、策略效果评估及事件库构建：构建交通效率指标和交通安全指标，形成综合评价指标，在现实多场景环境下应用基准可变限速控制策略并实时评估交通流改善效果，改善效果小于18％时存储相应事件信息至历史事件数据库；
步骤3、策略持续更新优化：基于历史事件数据库为每个新场景搭建仿真模型，使用持续学习算法依次在每个场景对基准可变限速控制策略进行更新优化，得到多场景可变限速控制策略；
步骤4、策略平行测试及优选：在数字孪生条件下模拟该路段的现实交通流环境，在模拟环境中进行多场景可变限速控制策略的平行测试，根据交通安全和交通效率的综合改善效果，得到最优的可变限速控制策略，应用于现实环境进行可变限速控制。
优选地，历史事件数据库中的事件信息包括：事件类型(如：事故、拥堵等)、事件持续时间、交通流信息(流量、速度)。
步骤1具体包括以下步骤：
步骤11、基于历史事件数据库中存储的历史事件信息，在SUMO(城市交通仿真)平台中搭建事件场景仿真模型；
步骤12、以搭建好的场景仿真模型作为交互环境，使用多智能体深度强化学习算法，将可变限速控制器视为智能体，进行仿真交互试错训练；
步骤13、当智能体网络收敛后结束训练，得到基准可变限速协同控制策略。
优选地，事件场景仿真模型中使用跟驰模型和换道模型，跟驰模型为智能驾驶人模型，换道模型为LC2013模型。
多智能体深度强化学习算法为Actor-Critic(参与者-评价者)架构，以路侧限速信息发布设备为界划分管控单元，每个管控单元均视为一个智能体，通过训练过程中系统全局信息共享进行多路段协同联动。具体的智能体、状态、动作和回报函数设计如下所示：
智能体：将路段可变限速控制器视为智能体，每个路段的智能体可以对该路段区域设置不同限速；
状态：路段速度均值、路段速度标准差、路段流量均值和路段流量标准差的集合；
动作：范围为路段的最低限速和最高限速，以5km/h为间隔；
回报函数：回报函数是算法训练的目标函数，公式如下：
r＝1.2AS-2SS-0.2V
式中，r为回报函数值，AS为路段速度均值，SS为路段速度标准差，AS与SS的单位均为km/h，V为低速车辆(速度低于50km/h的车辆)总数，只计算各计算量数值，不计算单位。
本实施例中，考虑的快速道路路段为12km的单方向三车道路段，以2km为间隔划分为6个路段，限速信息通过龙门架发布，交通流信息通过线圈等感知设备采集，默认限速为100km/h，最低限速为60km/h，仿真时长为1h，流量输入为5400veh/h。基于多智能体深度强化学习的可变限速控制策略学习框架如图2所示。
历史事件场景具体为交通拥堵场景，为了产生从下游向上游传播的交通拥堵波，在5～10分钟时令11.5km～12km处的车辆速度为30km/h，其示意图如图3所示。
步骤2中的交通效率和交通安全综合评价指标，由交通安全指标和交通效率指标两部分组成。交通安全指标为剩余碰撞时间(Time to collision,TTC)：
E1＝-TTCtotal
式中，TTCtotal为路段整体TTC，即路段上所有的相邻两辆车之间的TTC总和，TTC计算公式如下所示：
式中，ΔD为两车之间的距离，ΔV为两车的速度差。
交通效率指标为总行程时间(Total travel time,TTT)，即路段所有车辆的行程时间总和，设置为：
E2＝-TTT
最终综合交通交通安全和效率两方面，确定综合评价指标如下：
E＝W1*E1+W2*E2
W1代表交通安全指标的权重、W2代表交通效率指标的权重，其数值结合快速道路实际情况确定。
本实施例中，为了平衡两类指标，W1、W2分别确定为0.5、1.5。添加至事件库的为高事故风险场景(后续称为场景2)和二次事故预防场景(后续称为场景3)，高事故风险场景的表现特征主要为路段车辆速度波动大，通过将SUMO中的“SpeedDev(交通流速度标准差)”参数设为0.9实现；二次事故预防场景通过令一辆车在5～10分钟的时间段停止在11.5km处进行模拟。场景2和场景3的示例图分别如图4和图5所示。
步骤3具体包括以下步骤：
步骤31、为步骤2中形成的事件库中的每一个事件搭建场景仿真模型；
步骤32、在新的场景中使用多智能体深度强化学习算法进行策略更新优化，在深度网络更新过程中使用持续学习算法限制梯度更新空间，并在每个场景训练结束后存储该场景的知识记忆；
步骤33、重复步骤32直至所有场景学习完毕，得到多场景可变限速控制策略。
步骤3中的持续学习算法包括在场景训练过程中限制梯度更新空间和场景训练结束后存储该场景知识记忆两部分，其中场景的知识记忆用该场景训练结束后的网络参数矩阵R表示，梯度更新空间计算公式为：
式中,为训练过程中产生的梯度，M为之前训练过的所有场景的知识记忆的网络参数矩阵R的并集，MT为M的转置。
在本实施例中，基准策略依次在步骤2中存储的高事故风险场景(场景2)、二次事故预防场景(场景3)上进行持续优化。
步骤4具体包括以下步骤：
步骤41、使用数字孪生技术模拟现实交通流环境，将步骤1中生成的基准可变限速控制策略和步骤3中优化得到的多场景可变限速控制策略在数字孪生环境下进行平行测试；
步骤42、以步骤2中提出的交通效率和交通安全综合指标作为策略评估指标，分别计算在基准策略和优化后的多场景策略干预下的策略评估指标改善幅度；
步骤43、将指标改善幅度较大的策略作为最终的可变限速控制策略，并应用于现实快速道路环境。
策略评估指标改善幅度计算公式如下：
式中，ΔE为策略评估指标改善幅度，E为无干预下的指标值，E′为在策略干预下的指标值。
在本实施例中，基准策略和优化后的多场景策略在三个场景上平行测试的指标改善幅度计算结果如表1所示：
表1各场景上两种策略干预条件下综合评价指标改善幅度
如表1所示，经过步骤3优化后的策略在各场景上的性能均优于基准策略，平均提升12.08％，因此将优化策略应用到实际环境中。
综上所述，本发明使用持续学习算法，在多场景训练过程中保留了可变限速控制策略在各场景的知识记忆，克服了传统可变限速控制策略生成方法在现实多场景环境下适用性差的缺陷，同时在数字孪生条件下对策略进行了平行测试及优选，确保了策略在实证应用过程中的有效性，有助于优化快速道路交通流运行。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述的方法包括以下步骤：
步骤1、对当前路段搭建事件场景仿真模型作为交互环境，使用多智能体深度强化学习算法生成基准可变限速协同控制策略；
步骤2、构建交通效率指标和交通安全指标，形成综合评价指标，在现实多场景环境下应用基准可变限速控制策略并实时评估交通流改善效果，改善效果小于阈值时存储相应事件信息至历史事件数据库；
步骤3、基于历史事件数据库中的事件信息搭建对应场景的场景仿真模型，使用持续学习算法依次在每个场景对基准可变限速控制策略进行更新优化，得到多场景可变限速控制策略；
步骤4、在数字孪生条件下模拟该路段的现实交通流环境，在所述模拟环境中进行多场景可变限速控制策略的平行测试，根据交通安全和交通效率的综合改善效果，得到最优的可变限速控制策略，应用于现实环境进行可变限速控制。
2.根据权利要求1所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述事件信息包括事件类型、事件持续时间和交通流信息。
3.根据权利要求1所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述步骤1具体包括以下步骤：
步骤11、基于当前路段已有的事件信息，在仿真平台中搭建事件场景仿真模型；
步骤12、以搭建好的场景仿真模型作为交互环境，使用多智能体深度强化学习算法，将可变限速控制器作为智能体，进行仿真交互试错训练；
步骤13、当多智能体深度强化学习算法网络收敛后结束训练，得到基准可变限速协同控制策略。
4.根据权利要求3所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述的事件场景仿真模型包含跟驰模型和换道模型。
5.根据权利要求3所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述的多智能体深度强化学习算法包含智能体、状态、动作和回报函数，所述的智能体为路段可变限速控制器，所述状态为数据集合，包含路段速度均值、路段速度标准差、路段流量均值和路段流量标准差，所述动作为范围为路段的最低限速和最高限速，所述回报函数为算法训练的目标函数，所述回报函数公式如下：
r＝1.2AS-2SS-0.2V
式中，r为回报函数值，AS为路段速度均值，SS为路段速度标准差，AS和SS的单位均为km/h，V为速度低于50km/h的车辆总数。
6.根据权利要求1所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述步骤3具体包括以下步骤：
步骤31、为步骤2中形成的事件库中的每一个事件搭建场景仿真模型；
步骤32、在新的场景中使用多智能体深度强化学习算法进行策略更新优化，在深度网络更新过程中使用持续学习算法限制梯度更新空间，并在每个场景训练结束后存储该场景的知识记忆；
步骤33、重复步骤32直至所有场景学习完毕，得到多场景可变限速控制策略。
7.根据权利要求6所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述步骤32中场景的知识记忆用该场景训练结束后的网络参数矩阵R表示，所述梯度更新空间计算公式为：
式中，为训练过程中产生的梯度，M为训练过的所有场景的知识记忆的网络参数矩阵R的并集，MT为M的转置。
8.根据权利要求1所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述步骤4具体包括以下步骤：
步骤41、使用数字孪生技术模拟现实交通流环境，将步骤1中生成的基准可变限速控制策略和步骤3中优化得到的多场景可变限速控制策略在数字孪生环境下进行平行测试；
步骤42、以步骤2中提出的交通效率指标和交通安全指标作为综合策略评估指标，分别计算在基准策略和优化后的多场景策略干预下的策略评估指标改善幅度；
步骤43、将指标改善幅度较大的策略作为最终的可变限速控制策略，并应用于现实快速道路环境。
9.根据权利要求8所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述交通安全指标为剩余碰撞时间E1，所述交通效率指标为总行程时间E2，所述综合评价指标的计算方式如下：
E＝W1*E1+W2*E2
式中，E为综合评价指标，W1代表剩余碰撞时间E1的权重、W2代表总行程时间E2的权重。
10.根据权利要求9所述的一种数字孪生条件下的快速道路可变限速控制方法，其特征在于，所述策略评估指标改善幅度计算公式如下：
式中，ΔE为策略评估指标改善幅度，EA为无干预下的综合评价指标值，EA′为在策略干预下的综合评价指标值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311016649.8A CN117058873A (zh) | 2023-08-14 | 2023-08-14 | 一种数字孪生条件下的快速道路可变限速控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311016649.8A CN117058873A (zh) | 2023-08-14 | 2023-08-14 | 一种数字孪生条件下的快速道路可变限速控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117058873A true CN117058873A (zh) | 2023-11-14 |
Family
ID=88663910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311016649.8A Pending CN117058873A (zh) | 2023-08-14 | 2023-08-14 | 一种数字孪生条件下的快速道路可变限速控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058873A (zh) |
-
2023
- 2023-08-14 CN CN202311016649.8A patent/CN117058873A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110750877B (zh) | 一种Apollo平台下的车辆跟驰行为预测方法 | |
| CN112896170B (zh) | 一种车路协同环境下的自动驾驶横向控制方法 | |
| WO2016169290A1 (zh) | 一种面向道路交通事故应急处置的决策支持系统及方法 | |
| CN111267830B (zh) | 一种混合动力公交车能量管理方法、设备和存储介质 | |
| Jin et al. | Improving traffic operations using real-time optimal lane selection with connected vehicle technology | |
| 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 | |
| Metkari et al. | Development of simulation model for heterogeneous traffic with no lane discipline | |
| CN110956851B (zh) | 一种智能网联汽车协同调度换道方法 | |
| CN112201033B (zh) | 一种道路交通运行主动管控策略选择方法 | |
| Jayawardana et al. | Learning eco-driving strategies at signalized intersections | |
| Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
| CN107284452A (zh) | 融合智能通讯信息的混合动力汽车未来工况预测系统 | |
| CN111028504A (zh) | 一种城市快速路智慧交通管控方法和系统 | |
| CN110570672A (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
| CN104318757A (zh) | 一种公交专用道上的公交车车路段运行时间预测方法 | |
| Piacentini et al. | Highway traffic control with moving bottlenecks of connected and automated vehicles for travel time reduction | |
| CN115188204B (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 | |
| CN109765801A (zh) | 基于vissim仿真的车联网设计速度调整的实现方法 | |
| CN114074680A (zh) | 基于深度强化学习的车辆换道行为决策方法及系统 | |
| CN116596380A (zh) | 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质 | |
| CN116432448A (zh) | 基于智能网联车和驾驶员遵从度的可变限速优化方法 | |
| CN115359672B (zh) | 一种数据驱动与强化学习结合的交通区域边界控制方法 | |
| CN117058873A (zh) | 一种数字孪生条件下的快速道路可变限速控制方法 | |
| Wu et al. | An optimal longitudinal control strategy of platoons using improved particle swarm optimization | |
| CN114802248A (zh) | 基于深度强化学习的自动驾驶车辆换道决策系统及方法 |
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 |