CN117334042B - 一种基于人工智能的智慧交通管理系统及方法 - Google Patents

一种基于人工智能的智慧交通管理系统及方法 Download PDF

Info

Publication number
CN117334042B
CN117334042B CN202311267601.4A CN202311267601A CN117334042B CN 117334042 B CN117334042 B CN 117334042B CN 202311267601 A CN202311267601 A CN 202311267601A CN 117334042 B CN117334042 B CN 117334042B
Authority
CN
China
Prior art keywords
road section
road
congestion
ith
traffic
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
Application number
CN202311267601.4A
Other languages
English (en)
Other versions
CN117334042A (zh
Inventor
麦家健
韦成
肖喜武
吴冠权
陈宇彤
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.)
Dongguan Dongguantong Co ltd
Original Assignee
Dongguan Dongguantong 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 Dongguan Dongguantong Co ltd filed Critical Dongguan Dongguantong Co ltd
Priority to CN202311267601.4A priority Critical patent/CN117334042B/zh
Publication of CN117334042A publication Critical patent/CN117334042A/zh
Application granted granted Critical
Publication of CN117334042B publication Critical patent/CN117334042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及交通管理技术技术，具体公开了一种基于人工智能的智慧交通管理系统及方法，根据车辆动态信息和路段信息计算出每个路段的拥堵指标σi，根据拥堵指标σi调整交通信号灯，实时控制当前路段交通，不仅避免造成拥堵，而且还尽可能满足在不拥堵的情况下最大车辆通过，同时每天划分为x个时间段，根据获取的数据计算所有路段的路段改善指标ρn，将所有路段的路段改善指标ρn从大到小排序，以预设阈值ρ0作为分界点，选取排名前s名的路段，改善路段情况，并根据拥堵指标σi的计算公式，判断是什么原因造成拥堵，从根本解决拥堵问题。

Description

一种基于人工智能的智慧交通管理系统及方法
技术领域
本发明涉及交通管理技术技术，具体公开了一种基于人工智能的智慧交通管理系统及方法。
背景技术
随着信息技术的不断提高，基于人工智能获取大数据并协助当地交管部门进行交通管理，能够大大缓解城市的交通压力，也可以给当地居民带来便利。
现有的交通管理系统大都是通过观察实时车流量来判断当前路段是否拥堵，虽然，可以一定程度帮助交通管理，但是，没有充分利用路段资源，用以满足最大车辆通过，而且，不能通过路段资源及时发现造成拥堵的原因，从根源上解决拥堵问题。
发明内容
本发明的目的在于提供一种基于人工智能的智慧交通管理系统及方法，用以解决上述背景技术中所面临的问题。
本发明的目的可以通过以下技术方案实现：
一种基于人工智能的智慧交通管理系统，包括数据采集模块、数据处理模块、决策模块和控制模块；
所述数据采集模块，用于实时采集当前路段的车辆信息；
所述数据处理模块，用于将数据采集模块采集的车辆信息数据处理后储存到系统数据库当中；
所述决策模块，用于根据系统数据库中的车辆信息数据生成最优交通管理策略；
所述控制模块，用于根据最优交通管理策略对交通进行实时控制。
作为本发明方案的进一步描述，所述采集模块的工作过程包括：
将所有路段进行编号，编号依次为1、2、3…n；
每个路段都设置有智能采集设备，用于采集当前路段的车辆在所有时间段内的动态信息。
作为本发明方案的进一步描述，所述采集模块采集的车辆信息数据包括：
当前时间段内路口车流量qi、路段车流量pi、路口车辆平均车速ei、路段车辆平均车速ri、车辆通过当前路段的平均时间ti和通过当前路段车辆总数mi；
i表示第i个路段，其中i∈n。
作为本发明方案的进一步描述，所述决策模块的工作过程包括：
步骤S1、获取每个路段同向车道数量及可用车道数量；
步骤S2、根据采集模块实时采集的当前时间段内每个路段的车辆信息和步骤S1中获取的路段信息，计算每个路段的拥堵指标σi；
步骤S3、根据每个路段的拥堵指标σi判断每个路段的拥堵情况，将每个路段的拥堵情况划分为：拥堵、缓行和畅通；
步骤S4、根据拥堵情况调整每个路段的信号灯：增加拥堵路段的路口通行时间、减少畅通路段的路口通行时间以及保持缓行路段的路口通行时间。
作为本发明方案的进一步描述，所述步骤S2中每个路段的拥堵指标σi通过下式计算：
式中，q0i为第i个路段在时间段内路口标准车流量，p0i为第i个路段在时间段内路段标准车流量，e0i为第i个路段在时间段内路口车辆平均速度，r0i为第i个路段在时间段内路段车辆平均速度，t0i为第i个路段车辆通过的标准时间，m0i为第i个路段在时间段内允许通过的最大车辆数；σ和β为权重系数。
作为本发明方案的进一步描述，所述权重系数α根据第i个路段的同向车道数量确定；
所述权重系数β根据第i个路段的同向可用车道数量与第i个路段的同向车道数量的比值确定。
作为本发明方案的进一步描述，所述步骤S3的具体过程包括：
将步骤S2中计算的第i个路段的拥堵指标σi与该路段预设的拥堵指标阈值区间[σi1，σi2]比较；
若σi∈[σi1，σi2]则说明第i个路段的拥堵情况为缓行；
若σi∈[-∞，σi1]则说明第i个路段的拥堵情况为畅通；
若σi∈[σi2，+∞]则说明第i个路段的拥堵情况为拥堵。
作为本发明方案的进一步描述，所述决策模块的工作过程还包括：
步骤S5、将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标σi，并获取第i个路段最大拥堵指标maxσi；
步骤S6、构建第i个路段拥堵指标σi与x的曲线方程f(Δx，σi)；
步骤S7、通过曲线方程f(x，σi)、第i个路段最大拥堵指标maxσi和第i个路段平均每天车流量yi计算第i个路段改善指标ρi：
步骤S8、重复步骤S5-S7计算出所有路段的路段改善指标ρn；
步骤S9、将所有路段的路段改善指标ρn从大到小排序，以预设阈值ρ0作为分界点，选取排名前s名的路段，改善路段情况。
一种基于人工智能的智慧交通管理方法，其特征在于，所述控制方法包括如下步骤：
步骤SS1、将所有路段进行编号，编号依次为1、2、3…n；
步骤SS2、采集模块实时采集的当前时间段内第i个路段的车辆信息和第i个路段的同向车道数量及可用车道数量；
步骤SS3、根据步骤SS2中的信息计算第i个路段当前时间段的拥堵指标σi；
步骤SS4、将第i个路段的拥堵指标σi与该路段预设的拥堵指标阈值区间[σi1，σi2]比较；
若σi∈[σi1，σi2]则说明第i个路段的拥堵情况为缓行，不用调整交通信号灯，保持拥堵路段的路口通行时间；
若σi∈[-∞，σi1]则说明第i个路段的拥堵情况为畅通，调整交通信号灯，减少拥堵路段的路口通行时间；
若σi∈[σi2，+∞]则说明第i个路段的拥堵情况为拥堵，调整交通信号灯，增加拥堵路段的路口通行时间；
步骤SS5、将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标σi，并获取第i个路段最大拥堵指标maxσi；
步骤SS6、根据步骤SS5中获取的数据计算第i个路段改善指标ρi，并同时按照相同的方法计算出所有路段的路段改善指标ρn；
步骤SS9、将所有路段的路段改善指标ρn从大到小排序，以预设阈值ρ0作为分界点，选取排名前s名的路段，改善路段情况。
本发明的优点：
1、本发明数据采集模块通过在每个路段都设置有智能采集设备，用于采集当前路段的车辆在所有时间段内的动态信息，根据动态信息和路段信息计算出每个路段的拥堵指标σi，根据拥堵指标σi调整交通信号灯，增加拥堵路段的路口通行时间；根据当前时间段所有路段的实时交通情况和路段资源，并结合突发情况，实时控制当前路段交通，不仅避免造成拥堵，而且还尽可能满足在不拥堵的情况下最大车辆通过。
2、本发明将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标σi，并获取第i个路段最大拥堵指标maxσi，根据获取的数据计算所有路段的路段改善指标ρn，将所有路段的路段改善指标ρn从大到小排序，以预设阈值ρ0作为分界点，选取排名前s名的路段，改善路段情况，并根据拥堵指标σi的计算公式，判断是什么原因造成拥堵，从根本解决拥堵问题。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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是本发明基于人工智能的智慧交通管理系统总体结构示意图。
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它实施例，都属于本发明保护的范围。
请参阅图1所示，一种基于人工智能的智慧交通管理系统，包括数据采集模块、数据处理模块、决策模块和控制模块；
所述数据采集模块，用于实时采集当前路段的车辆信息；
所述采集模块的工作过程包括：
将所有路段进行编号，编号依次为1、2、3…n；
每个路段都设置有智能采集设备，用于采集当前路段的车辆在所有时间段内的动态信息。
所述采集模块采集的车辆信息数据包括：
当前时间段内路口车流量qi、路段车流量pi、路口车辆平均车速ei、路段车辆平均车速ri、车辆通过当前路段的平均时间ti和通过当前路段车辆总数mi；
i表示第i个路段，其中i∈n。
所述数据处理模块，用于将数据采集模块采集的车辆信息数据处理后储存到系统数据库当中；
所述决策模块，用于根据系统数据库中的车辆信息数据生成最优交通管理策略；
所述决策模块的工作过程包括：
步骤S1、获取每个路段同向车道数量及可用车道数量；
由于各个路段会有突发情况，车祸或者其他原因，导致发生突发情况的车道不可通行，甚至还会影响到附近车道，因此需要获取每个路段同向车道数量及可用车道数量。
步骤S2、根据采集模块实时采集的当前时间段内每个路段的车辆信息和步骤S1中获取的路段信息，计算每个路段的拥堵指标σi；
所述步骤S2中每个路段的拥堵指标σi通过下式计算：
式中，q0i为第i个路段在时间段内路口标准车流量，p0i为第i个路段在时间段内路段标准车流量，e0i为第i个路段在时间段内路口车辆平均速度，r0i为第i个路段在时间段内路段车辆平均速度，t0i为第i个路段车辆通过的标准时间，m0i为第i个路段在时间段内允许通过的最大车辆数；α和β为权重系数。
所述权重系数α根据第i个路段的同向车道数量确定；
当同向车道数量小于等于2时，α取1，当同向车道数量大于2小于等于4时，α取0.5，当同向车道数量大于4时，α取0.1；
所述权重系数β根据第i个路段的同向可用车道数量与第i个路段的同向车道数量的比值确定；
第i个路段的同向可用车道数量与第i个路段的同向车道数量的比值低于50％时，β取0.8，第i个路段的同向可用车道数量与第i个路段的同向车道数量的比值低于50％时，β取0.2。
步骤S3、根据每个路段的拥堵指标σi判断每个路段的拥堵情况，将每个路段的拥堵情况划分为：拥堵、缓行和畅通；
所述步骤S3的具体过程包括：
将步骤S2中计算的第i个路段的拥堵指标σi与该路段预设的拥堵指标阈值区间[σi1，σi2]比较；
若σi∈[σi1，σi2]则说明第i个路段的拥堵情况为缓行；
若σi∈[-∞，σi1]则说明第i个路段的拥堵情况为畅通；
若σi∈[σi2，+∞]则说明第i个路段的拥堵情况为拥堵。
步骤S4、根据拥堵情况调整每个路段的信号灯：增加拥堵路段的路口通行时间、减少畅通路段的路口通行时间以及保持缓行路段的路口通行时间。
通过上述技术方案，本实施例数据采集模块通过在每个路段都设置有智能采集设备，用于采集当前路段的车辆在所有时间段内的动态信息，根据动态信息和路段信息结合公式 计算出每个路段的拥堵指标σi，将第i个路段的拥堵指标σi与该路段预设的拥堵指标阈值区间[σi1，σi2]比较，若σi∈[σi1，σi2]则说明第i个路段的拥堵情况为缓行，不用调整交通信号灯，保持拥堵路段的路口通行时间；若σi∈[-∞，σi1]则说明第i个路段的拥堵情况为畅通，调整交通信号灯，减少拥堵路段的路口通行时间；若σi∈[σi2，+∞]则说明第i个路段的拥堵情况为拥堵，调整交通信号灯，增加拥堵路段的路口通行时间；根据当前时间段所有路段的实时交通情况和路段资源，并结合突发情况，实时控制当前路段交通，不仅避免造成拥堵，而且还尽可能满足在不拥堵的情况下最大车辆通过。
步骤S5、将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标σi，并获取第i个路段最大拥堵指标maxσi；
步骤S6、构建第i个路段拥堵指标σi与x的曲线方程f(Δx，σi)；
步骤S7、通过曲线方程f(x，σi)、第i个路段最大拥堵指标maxσi和第i个路段平均每天车流量yi计算第i个路段改善指标ρi：
步骤S8、重复步骤S5-S7计算出所有路段的路段改善指标ρn；
步骤S9、将所有路段的路段改善指标ρn从大到小排序，以预设阈值ρ0作为分界点，选取排名前s名的路段，改善路段情况。
通过上述技术方案，将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标σi，并获取第i个路段最大拥堵指标maxσi，根据获取的数据结合公式 计算出计算第i个路段改善指标ρi，并重复步骤计算所有路段的路段改善指标ρn，将所有路段的路段改善指标ρn从大到小排序，以预设阈值ρ0作为分界点，选取排名前s名的路段，改善路段情况，可根据拥堵指标σi的计算公式，判断是什么原因造成拥堵，若是因为α取值过大，就增加车道，若是因为β取值过大，就检查当前路段路面是否有问题会导致事故频发，并及时排除问题，若是因为qi、pi、ei、ri、ti和mi其中任一变量过大导致拥堵指标σi增大，且其他时间段也出经常因为同一变量过大导致拥堵指标σi增大，管理部门，针对这一原因采取相应措施，通过分流，派执法人员引流，或提前广播通知，大车通行时间段重新划分等措施来从根本解决拥堵问题。
所述系统还包括拥堵预测模块，所述拥堵预测模块基于神经网路模型预测下一时间段的路段拥堵情况；
提取各个时间段的拥堵指标σi和时间段对应的天气作为训练数据，对神经网络模型进行训练，得到拥堵预测模型；
提取第i个路段的当前天气情况，当前拥堵指标σi和下个时间段的天气预测情况作为输入量输入拥堵预测模型，然后输出得到下一阶段的第i个路段的拥堵指标。
所述控制模块，用于根据最优交通管理策略对交通进行实时控制。
工作原理：
一种基于人工智能的智慧交通管理系统的管理方法，所述控制方法包括如下步骤：
步骤SS1、将所有路段进行编号，编号依次为1、2、3…n；
步骤SS2、采集模块实时采集的当前时间段内第i个路段的车辆信息和第i个路段的同向车道数量及可用车道数量；
步骤SS3、根据步骤SS2中的信息计算第i个路段当前时间段的拥堵指标σi；
步骤SS4、将第i个路段的拥堵指标σi与该路段预设的拥堵指标阈值区间[σi1，σi2]比较；
若σi∈[σi1，σi2]则说明第i个路段的拥堵情况为缓行，不用调整交通信号灯，保持拥堵路段的路口通行时间；
若σi∈[-∞，σi1]则说明第i个路段的拥堵情况为畅通，调整交通信号灯，减少拥堵路段的路口通行时间；
若σi∈[σi2，+∞]则说明第i个路段的拥堵情况为拥堵，调整交通信号灯，增加拥堵路段的路口通行时间；
步骤SS5、将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标σi，并获取第i个路段最大拥堵指标maxσi；
步骤SS6、根据步骤SS5中获取的数据计算第i个路段改善指标ρi，并同时按照相同的方法计算出所有路段的路段改善指标ρn；
步骤SS9、将所有路段的路段改善指标ρn从大到小排序，以预设阈值ρ0作为分界点，选取排名前s名的路段，改善路段情况。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (3)

1.一种基于人工智能的智慧交通管理系统，其特征在于，包括数据采集模块、数据处理模块、决策模块和控制模块；
所述数据采集模块，用于实时采集当前路段的车辆信息；
所述数据处理模块，用于将数据采集模块采集的车辆信息数据处理后储存到系统数据库当中；
所述决策模块，用于根据系统数据库中的车辆信息数据生成最优交通管理策略；
所述控制模块，用于根据最优交通管理策略对交通进行实时控制；
所述数据采集模块的工作过程包括：
将所有路段进行编号，编号依次为1、2、3…n；
每个路段都设置有智能采集设备，用于采集当前路段的车辆在所有时间段内的动态信息；
所述数据采集模块采集的车辆信息数据包括：
当前时间段内路口车流量、路段车流量/>、路口车辆平均车速/>、路段车辆平均车速/>、车辆通过当前路段的平均时间/>和通过当前路段车辆总数/>；
i表示第i个路段，其中i∈n；
所述决策模块的工作过程包括：
步骤S1、获取每个路段同向车道数量及可用车道数量；
步骤S2、根据数据采集模块实时采集的当前时间段内每个路段的车辆信息和步骤S1中获取的路段信息，计算每个路段的拥堵指标；
步骤S3、根据每个路段的拥堵指标判断每个路段的拥堵情况，将每个路段的拥堵情况划分为：拥堵、缓行和畅通；
步骤S4、根据拥堵情况调整每个路段的信号灯：增加拥堵路段的路口通行时间、减少畅通路段的路口通行时间以及保持缓行路段的路口通行时间；
所述步骤S2中每个路段的拥堵指标通过下式计算：
；
式中，为第i个路段在时间段内路口标准车流量，/>为第i个路段在时间段内路段标准车流量，/>为第i个路段在时间段内路口车辆平均速度，/>为第i个路段在时间段内路段车辆平均速度，/>为第i个路段车辆通过的标准时间，/>为第i个路段在时间段内允许通过的最大车辆数；/>和/>为权重系数；
所述权重系数根据第i个路段的同向车道数量确定；
所述权重系数根据第i个路段的同向可用车道数量与第i个路段的同向车道数量的比值确定；
所述决策模块的工作过程还包括：
步骤S5、将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标，并获取第i个路段最大拥堵指标/>；
步骤S6、构建第i个路段拥堵指标与x的曲线方程/>；
步骤S7、通过曲线方程、第i个路段最大拥堵指标/>和第i个路段平均每天车流量/>计算第i个路段改善指标/>：
;
步骤S8、重复步骤S5-S7计算出所有路段的路段改善指标；
步骤S9、将所有路段的路段改善指标从大到小排序，以预设阈值/>作为分界点，选取排名前s名的路段，改善路段情况。
2.根据权利要求1所述的一种基于人工智能的智慧交通管理系统,其特征在于，所述步骤S3的具体过程包括：
将步骤S2中计算的第i个路段的拥堵指标与该路段预设的拥堵指标阈值区间比较；
若则说明第i个路段的拥堵情况为缓行；
若则说明第i个路段的拥堵情况为畅通；
若则说明第i个路段的拥堵情况为拥堵。
3.一种如权利要求1-2任一所述的基于人工智能的智慧交通管理系统的管理方法，其特征在于，所述管理方法包括如下步骤：
步骤SS1、将所有路段进行编号，编号依次为1、2、3…n；
步骤SS2、数据采集模块实时采集的当前时间段内第i个路段的车辆信息和第i个路段的同向车道数量及可用车道数量；
步骤SS3、根据步骤SS2中的信息计算第i个路段当前时间段的拥堵指标；
步骤SS4、将第i个路段的拥堵指标与该路段预设的拥堵指标阈值区间比较；
若则说明第i个路段的拥堵情况为缓行，不用调整交通信号灯，保持拥堵路段的路口通行时间；
若则说明第i个路段的拥堵情况为畅通，调整交通信号灯，减少拥堵路段的路口通行时间；
若则说明第i个路段的拥堵情况为拥堵，调整交通信号灯，增加拥堵路段的路口通行时间；
步骤SS5、将每天划分为x个时间段，获取第i个路段的每个时间段的拥堵指标，并获取第i个路段最大拥堵指标/>；
步骤SS6、根据步骤SS5中获取的数据计算第i个路段改善指标，并同时按照相同的方法计算出所有路段的路段改善指标/>；
步骤SS9、将所有路段的路段改善指标从大到小排序，以预设阈值/>作为分界点，选取排名前s名的路段，改善路段情况。
CN202311267601.4A 2023-09-28 2023-09-28 一种基于人工智能的智慧交通管理系统及方法 Active CN117334042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311267601.4A CN117334042B (zh) 2023-09-28 2023-09-28 一种基于人工智能的智慧交通管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311267601.4A CN117334042B (zh) 2023-09-28 2023-09-28 一种基于人工智能的智慧交通管理系统及方法

Publications (2)

Publication Number Publication Date
CN117334042A CN117334042A (zh) 2024-01-02
CN117334042B true CN117334042B (zh) 2024-05-24

Family

ID=89278442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311267601.4A Active CN117334042B (zh) 2023-09-28 2023-09-28 一种基于人工智能的智慧交通管理系统及方法

Country Status (1)

Country Link
CN (1) CN117334042B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080056702A (ko) * 2008-06-03 2008-06-23 김영길 교통 정체 해소를 위한 교통신호 제어 시스템의 제어 방법
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
CN105321347A (zh) * 2015-09-18 2016-02-10 西安电子科技大学 一种分层次的路网交通拥堵评价方法
CN107705578A (zh) * 2017-11-02 2018-02-16 青岛华睿互联科技有限责任公司 一种基于车道引导技术的电子交通黄线系统
WO2018149308A1 (zh) * 2017-02-15 2018-08-23 阿里巴巴集团控股有限公司 一种道路交通优化方法、装置以及电子设备
CN108629973A (zh) * 2018-05-11 2018-10-09 四川九洲视讯科技有限责任公司 基于固定检测设备的路段交通拥堵指数计算方法
CN109859464A (zh) * 2019-01-04 2019-06-07 石硕 拥堵车道确定方法及相关产品
CN110570654A (zh) * 2019-09-16 2019-12-13 河南工业大学 一种基于免疫的路段交通拥堵动态检测方法
KR20210098227A (ko) * 2020-01-31 2021-08-10 인천대학교 산학협력단 교통 혼잡 패턴 정보를 제공하는 방법
KR20220063289A (ko) * 2021-07-21 2022-05-17 아폴로 인텔리전트 커넥티비티 (베이징) 테크놀로지 씨오., 엘티디. 교통 체증 사건의 처리 방법, 기기, 저장매체 및 프로그램 제품
CN115527382A (zh) * 2022-09-08 2022-12-27 安徽交控信息产业有限公司 一种基于智能多目标优化算法的交通控制方法
CN115862335A (zh) * 2023-02-27 2023-03-28 北京理工大学前沿技术研究院 基于车路信息融合的拥堵预警方法、系统及存储介质
CN115985091A (zh) * 2022-12-05 2023-04-18 讯飞智元信息科技有限公司 一种路段拥堵优化方法及装置、电子设备、存储介质
CN116186994A (zh) * 2022-12-21 2023-05-30 东南大学 基于微观交通仿真的高速公路拥堵溯源分析及管控方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530684B (zh) * 2015-09-11 2019-08-20 杭州海康威视系统技术有限公司 处理交通道路信息的方法及装置
CN111583639B (zh) * 2020-04-30 2021-05-14 山东交通学院 一种道路交通拥堵预警方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080056702A (ko) * 2008-06-03 2008-06-23 김영길 교통 정체 해소를 위한 교통신호 제어 시스템의 제어 방법
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
CN105321347A (zh) * 2015-09-18 2016-02-10 西安电子科技大学 一种分层次的路网交通拥堵评价方法
WO2018149308A1 (zh) * 2017-02-15 2018-08-23 阿里巴巴集团控股有限公司 一种道路交通优化方法、装置以及电子设备
CN107705578A (zh) * 2017-11-02 2018-02-16 青岛华睿互联科技有限责任公司 一种基于车道引导技术的电子交通黄线系统
CN108629973A (zh) * 2018-05-11 2018-10-09 四川九洲视讯科技有限责任公司 基于固定检测设备的路段交通拥堵指数计算方法
CN109859464A (zh) * 2019-01-04 2019-06-07 石硕 拥堵车道确定方法及相关产品
CN110570654A (zh) * 2019-09-16 2019-12-13 河南工业大学 一种基于免疫的路段交通拥堵动态检测方法
KR20210098227A (ko) * 2020-01-31 2021-08-10 인천대학교 산학협력단 교통 혼잡 패턴 정보를 제공하는 방법
KR20220063289A (ko) * 2021-07-21 2022-05-17 아폴로 인텔리전트 커넥티비티 (베이징) 테크놀로지 씨오., 엘티디. 교통 체증 사건의 처리 방법, 기기, 저장매체 및 프로그램 제품
CN115527382A (zh) * 2022-09-08 2022-12-27 安徽交控信息产业有限公司 一种基于智能多目标优化算法的交通控制方法
CN115985091A (zh) * 2022-12-05 2023-04-18 讯飞智元信息科技有限公司 一种路段拥堵优化方法及装置、电子设备、存储介质
CN116186994A (zh) * 2022-12-21 2023-05-30 东南大学 基于微观交通仿真的高速公路拥堵溯源分析及管控方法
CN115862335A (zh) * 2023-02-27 2023-03-28 北京理工大学前沿技术研究院 基于车路信息融合的拥堵预警方法、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
借道左转平面交叉口交通设计研究;李奇;优秀硕士论文全文库工程科技Ⅱ辑;20210615;1-104 *

Also Published As

Publication number Publication date
CN117334042A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN109754597B (zh) 一种城市道路区域拥堵调控策略推荐系统及方法
CN109598950B (zh) 一种智能网联车辆的匝道协同汇入控制方法及系统
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN105869401B (zh) 一种基于不同拥挤程度的路网动态分区方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN112885088B (zh) 一种基于动态交通流的多匝道协调控制方法
CN109191849B (zh) 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN109191842B (zh) 基于实时通行能力的拥堵调控策略推荐方法及系统
CN102436740A (zh) 一种高速公路交通事件自动检测方法
CN109859468A (zh) 基于YOLOv3的多车道车流量计数及车辆跟踪方法
CN107085943A (zh) 一种道路旅行时间短期预测方法和系统
CN105469602A (zh) 一种基于ic卡数据的公交乘客候车时间范围的预测方法
CN108648445A (zh) 基于交通大数据的动态交通态势预测方法
CN105551250A (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN111524345B (zh) 一种车辆实时排队长度约束下多目标优化的感应控制方法
CN115206115A (zh) 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法
CN113033840A (zh) 一种公路养护的判断方法和装置
CN114363316A (zh) 一种跨区域道路基础设施智能联网监测与监管系统
CN113553350B (zh) 一种相似演化模式聚类及动态时区划分的交通流分区模型
CN117334042B (zh) 一种基于人工智能的智慧交通管理系统及方法
CN111899537B (zh) 一种基于边缘计算的交叉口信号控制移动调优装置和方法
Zhang et al. Research on traffic decision making method based on image analysis case based reasoning
CN117437774A (zh) 一种基于ai的多模态交通流量预测系统
CN117351734A (zh) 一种车辆延误的智能调控方法及系统
CN113706860B (zh) 一种基于树莓派智能配时交通信号灯控制方法

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
GR01 Patent grant
GR01 Patent grant