WO2021238189A1 - 一种单点信号交叉口的车道分配方法 - Google Patents
一种单点信号交叉口的车道分配方法 Download PDFInfo
- Publication number
- WO2021238189A1 WO2021238189A1 PCT/CN2020/139469 CN2020139469W WO2021238189A1 WO 2021238189 A1 WO2021238189 A1 WO 2021238189A1 CN 2020139469 W CN2020139469 W CN 2020139469W WO 2021238189 A1 WO2021238189 A1 WO 2021238189A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- model
- lane
- lane allocation
- traffic demand
- traffic
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 5
- 238000000819 phase cycle Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 22
- 238000005457 optimization Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/082—Controlling the time between beginning of the same phase of a cycle at adjacent intersections
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Traffic Control Systems (AREA)
Abstract
一种单点信号交叉口的车道分配方法，包括：S1、在确定的交通需求下，考虑机动车和行人两类交通对象，以最大化交叉口通行能力为目标，构建基于车道的二元混合整数非线性规划改进模型，求解得到最优车道分配和信号配时方案；S2、考虑交通需求的波动性，根据S1得到的车道分配方案，建立基于交通需求的两阶段随机模型，求解得到鲁棒性最优的车道分配方案。得到鲁棒性最优的车道分配方案，能适应不同的交通需求，且考虑了行人安全，大大提升了交叉口的通行能力，有效缓解交通拥堵。
Description
本发明涉及交叉口车道分配技术领域，尤其是涉及一种单点信号交叉口的车道分配方法。
随着城市化进程的不断加速，汽车保有量迅速增长，交通拥堵问题日益严峻，对人们日常出行以及社会经济活动产生了巨大影响。在城市路网中交叉口作为道路相交点，是车辆汇集和疏散的中心，也往往成为城市道路网络交通流运行的瓶颈。由于城市可用空间有限，通过建设新的基础设施来解决交叉口拥堵问题并不可行，相反，最好的方法是尽量利用现有的设施。
常见的提高交叉口通行能力的方式有：改善信号控制、优化车道分配等，车道分配包括交叉口进口道和出口道的车道数量设置以及进口道的车道功能分配。由于交通需求具有时变性和随机性，在进行信号控制和车道分配优化时需要考虑交通需求的不确定性，从而建立鲁棒性最优的方案。
信号控制通常分为固定信号控制、感应控制和自适应控制。鲁棒性最优的信号控制通常采用预先设置的参数(如：周期时长、绿信比)来优化信号配时方案，以保证方案效果的稳定性。常见的三种鲁棒性最优的信号控制模型有：均值-方差模型、条件风险模型、最小-最大模型。还可通过建立离散模型将复杂的非线性模型转化为二元整数规划模型，从而得到全局最优解。
很少有研究将交通需求的波动性考虑到交叉口车道分配优化模型中。传统的车道分配方案通常根据交叉口每个流向的平均交通流来确定，忽略了信号配时对车道分配的影响。考虑到交通需求的波动性，通常将一天划分为若干个时段，如早高峰、平峰和晚高峰，不同时段采用不同的信号配时方案，同时优化车道分配方案，但是实际不同天同时段的交通需求之间具有较大差异。
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单点信号交叉口的车道分配方法。
本发明的目的可以通过以下技术方案来实现：
一种单点信号交叉口的车道分配方法，包括：
S1、在确定的交通需求下，考虑机动车和行人两类交通对象，以最大化交叉口通行能力为目标，构建基于车道的二元混合整数非线性规划改进模型，求解得到最优车道分配和信号配时方案；
S2、考虑交通需求的波动性，根据S1得到的车道分配方案，建立基于交通需求的两阶段随机模型，求解得到鲁棒性最优的车道分配方案。
优选的，所述二元混合整数非线性规划改进模型的目标函数为：
其中，μ表示流量乘子，Λ为模型的决策变量集合，Δ为车道分配的决策变量子集，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集。
优选的，所述二元混合整数非线性规划改进模型的模型约束包括：
(1)流量守恒约束；
(2)车道允许的最少流向数目约束；
(3)进出口道车道数约束；
(4)车道禁止的流向约束以及车道功能排布顺序约束；
(5)周期时长、绿灯开始时间、绿灯时长约束；
(6)信号相位相序以及清空时间约束；
(7)车道饱和度约束。
优选的，所述两阶段随机模型包括变量交互的模型阶段1和模型阶段2。
优选的，所述模型阶段1的目标函数为：
其中，
是随机变量μ的样本均值；s
2(Δ)为随机变量μ的样本方差；β为权重参数，反映了
和s(Δ)之间的权衡；
所述模型阶段2的目标函数为：
其中，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集，Q
h为第h场景下的交通需求，μ
h为基于Q
h得到的最优值；根据优化得到的μ
h，并结合每种场景的概率p
h得到
和s
2(Δ)：
其中，H为所有场景数。
优选的，所述基于交通需求的两阶段随机模型转换为两相位随机模型再求解。
优选的，所述两相位随机模型包括模型相位1和模型相位2，所述模型相位1的目标函数为：
其中，μ表示流量乘子，Δ为车道分配的决策变量子集，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集；
所述模型相位2的目标函数为：
其中，μ
h为基于Q
h得到的最优值，Q
h为第h场景下的交通需求，H为所有场景数；根据S1得到的车道分配方案，对于每个场景下的交通需求Q
h，得到最优的μ
h，进一步计算得到
和s
2(Q
d)：
其中，p
h为每种场景的概率，Q
d为模型初始输入的交通需求参数。
优选的，所述两相位随机模型的总目标函数为：
其中，
是交通需求参数的样本均值；s
2(Q
d)为交通需求参数的样本方差；β为权重参数，反映了
和s(Q
d)之间的权衡。
优选的，所述两相位随机模型采用遗传算法求解。
优选的，所述β取0.1～0.15。
与现有技术相比，本发明具有以下优点：
1、考虑了机动车和行人两类交通对象，在确定的交通需求下，能同时优化车道分配方案和信号配时方案；考虑了交通需求波动性，建立的随机优化模型能得到鲁棒性最优的车道分配方案，包括交叉口进口道和出口道的车道数量设置以及进口道的车道功能分配，能适应不同的交通需求，且考虑了行人安全，大大提升了交叉口的通行能力，有效缓解交通拥堵。
2、采用基于需求的两相位随机模型，有效降低了求解维度，并采用了遗传算法进行求解，提高了求解效率。
图1为本发明的流程示意图；
图2为本发明实施例交叉口出口道命名规则示意图；
图3为本发明实施例一个典型的四路交叉口示意图；
图4为本发明实施例不兼容信号组之间的清空时间矩阵；
图5(a)为本发明实施例低饱和状态下基于车道改进模型得到的最优车道分配结果示意图；
图5(b)为本发明实施例低饱和状态下基于需求两相位模型得到的最优车道分配结果示意图；
图6为本发明实施例β取值的敏感性分析结果示意图。
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。
如图1所示，本申请提出一种单点信号交叉口的车道分配方法，包括：
S1、在确定的交通需求下，考虑机动车和行人两类交通对象，以最大化交叉口通行能力为目标，构建基于车道的二元混合整数非线性规划改进模型，求解得到最优车道分配和信号配时方案；
S2、考虑交通需求的波动性，根据S1得到的车道分配方案，建立基于交通需求的两阶段随机模型，求解得到鲁棒性最优的车道分配方案。
二元混合整数非线性规划改进模型的目标函数为：
其中，μ表示流量乘子，Λ为模型的决策变量集合，Δ为车道分配的决策变量子集，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集。
二元混合整数非线性规划改进模型的模型约束包括：
(1)流量守恒约束；
(2)车道允许的最少流向数目约束；
(3)进出口道车道数约束；
(4)车道禁止的流向约束以及车道功能排布顺序约束；
(5)周期时长、绿灯开始时间、绿灯时长约束；
(6)信号相位相序以及清空时间约束；
(7)车道饱和度约束。
两阶段随机模型包括变量交互的模型阶段1和模型阶段2。
模型阶段1的目标函数为：
其中，
是随机变量μ的样本均值；s
2(Δ)为随机变量μ的样本方差；β为权重参数，反映了
和s(Δ)之间的权衡，当β较小时，说明模型优化得到的车道分配方案稳定性更好，即交通需求波动对车道分配方案的效果影响较小。
模型阶段2的目标函数为：
其中，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集，Q
h为第h场景下的交通需求，μ
h为基于Q
h得到的最优值；根据优化得到的μ
h，并结合每种场景的概率p
h便可以得到
和s
2(Δ)：
其中，H为所有场景数。
模型阶段1依赖模型阶段2得到的
和s
2(Δ)，对车道分配方案进行优化；模型阶段2依赖模型阶段1得到的车道分配方案，优化
和s
2(Δ)。两阶段之间的变量交互使得模型求解难度增加。为了降低求解维度、提升计算效率，对上述两阶段模型的改进，将其转换为基于交通需求的两相位随机模型再求解。
两相位随机模型包括模型相位1和模型相位2，模型相位1的目标函数为：
相位1的优化模型与步骤S1的基于车道的改进模型相同，都是根据确定性的交通需求优化车道分配方案。
模型相位2的目标函数为：
其中，μ
h为基于Q
h得到的最优值，Q
h为第h场景下的交通需求，H为所有场景数。相位2的优化模型与步骤S2的阶段2模型相同，根据S1得到的车道分配方案，对于每个场景下的交通需求Q
h，得到最优的μ
h，进一步计算得到
和s
2(Q
d)：
其中，Q
d为模型初始输入的交通需求参数，
是交通需求参数的样本均值；s
2(Q
d)为交通需求参数的样本方差，p
h为每种场景的概率。
两相位随机模型的总目标函数为：
该模型的决策变量为Q
d，降低了求解维度，避免了两阶段优化之间的变量交互，提升了求解效率。
本实施例中，两相位随机模型采用遗传算法求解。交叉口出口道命名规则如图2所示，遗传算法求解的过程包括：
Step0：生成m种场景，每种场景的流量Q
h服从一定的分布，并设k＝1；
Step1：初始化群体：首先设置γ
1个流量值Q
d；然后对于每个Q
d，基于相位 1和相位2的优化模型得到最优的车道功能以及目标函数值，构成初始群体；
Step2：采用二元联赛选择方法生成父代群体；
Step3：从父代群体中随机选择个体进行交叉或变异，生成子代群体，并将其加入到初始群体中，重复此步骤[γ
1/2]遍；
Step4：从初始群体中选择γ
1个最优个体，作为下一代的初始群体，并计算模型的目标函数值f
k；
Step5：如果|f
k-f
k-1|＜ε，则停止算法；否则设k＝k+1，回到Step2。
实施例
本实施例中的交叉口如图3所示，路段1和3分别有4条车道，行人过街形式为一次过街；路段2和4分别有6条车道，行人需要二次过街，故设中央驻足区。
最小的行人绿灯时间g
i，-1和g
i，-2均为5s，平均每个车道的行人过街时间为3s，最小的机动车绿灯时间g
i，j为5s，周期时长最小和最大值分别为40s和120s。不兼容信号组之间的清空时间如图4所示。
路侧和非路侧直行车道的饱和流率分别取1965pcu/h/lane和2105pcu/h/lane，交叉口的转弯半径均为12m，对于所有车道的最大可接受饱和度为90％。观测的平均交通需求
如下表1所示。
表1 观测的平均交通需求(pcu/h)
随机交通需求Q
o，s的范围为
α的取值为0.1、0.3或0.5，α越大表示交通需求波动越大，本实施例采用了两种交通需求分布：正态分布和泊松分布，且分别在低饱和和高饱和状态下进行实验。
遗传算法中，m为200，γ
1为40，ε为10
-4。本实施例模型使用C#语言进行编程，采用Gurobi5.6.3进行求解，计算使用的笔记本电脑内存为4G，CPU为 2.8GHz。
为了方便讨论，在平均交通需求下基于车道的改进模型简称为DModel，基于交通需求的两相位随机模型简称为SModel。DModel下信号周期时长越长，目标值越大。SModel涉及的遗传算法通常需要3～5代，算法运行时长为1h左右。两个模型的优化结果如下表2和表3所示。
当β为0.5时，优化目标侧重于平均交通需求下的车道分配，因此鲁棒性较弱，此时SModel和DModel优化结果几乎一致。当β为0.1时，正态分布和泊松分布的优化结果相差较大，如表2所示：当α＝0.3时，正态分布下，相比于DModel，SModel优化结果PI提升率为15％左右，而泊松分布下优化结果PI提升率为3％，当α＝0.5时，正态分布和泊松分布优化结果相差更大。这是因为正态分布的偏差较大，导致交通需求波动性更大。
当交通需求为泊松分布时，不同α下，SModel和DModel的优化结果保持相对稳定，且相差不大，PI提升率在2％以内，因为泊松分布具有较小的偏差，因此交通需求波动性较小。α越大，PI提升率并不一定越大，如表2所示，当α＝0.3时PI提升率为3.1％，小于α为0.1时的PI提升率4.65％。显然，当α越大时，SModel和DModel的优化结果PI越小，且SModel的优化结果优于DModel。
表2 低饱和状态下的优化结果
表3 高饱和状态下的优化结果
图5(a)和图5(b)分别展示了DModel和SModel在β＝0.1和α＝0.3情况下优化得到的车道分配方案。尽管图5(a)和图5(b)中只有路段2上两个车道的车道功能不同，但是对交叉口通行能力提升的效果相差非常大，说明当交通需求波动较大时，鲁棒性最优的车道分配方案能更有效提升交叉口运行效率。
现实中交通需求分布往往是未知的，准确的平均交通需求难以获得，因此相比于DModel，SModel模型应用更广泛。另外本实施例使用的场景数为200，通常情况下建议使用大于100个场景的交通流量值作为模型的输入数据。
模型目标函数中，系数β权衡了车道分配方案的平均效能和鲁棒性，图6展示了在低饱和、正态分布、α＝0.3情况下，不同β值的敏感性分析结果。当β小于0.1时，优化得到的车道分配方案鲁棒性较强。当β大于0.2时，相比于E(μ)，D(μ)对目标函数的影响可忽略，此时优化得到的车道分配方案鲁棒性非常弱。当β为0.15时，PI提升率显著下降。因此为了获得鲁棒性最优的车道分配方案，β应取0.1～0.15；反之取0.15～0.2。
Claims (10)
- 一种单点信号交叉口的车道分配方法，其特征在于，包括：S1、在确定的交通需求下，考虑机动车和行人两类交通对象，以最大化交叉口通行能力为目标，构建基于车道的二元混合整数非线性规划改进模型，求解得到最优车道分配和信号配时方案；S2、考虑交通需求的波动性，根据S1得到的车道分配方案，建立基于交通需求的两阶段随机模型，求解得到鲁棒性最优的车道分配方案。
- 根据权利要求1所述的一种单点信号交叉口的车道分配方法，其特征在于，所述二元混合整数非线性规划改进模型的目标函数为：
其中，μ表示流量乘子，Λ为模型的决策变量集合，Δ为车道分配的决策变量子集，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集。 - 根据权利要求2所述的一种单点信号交叉口的车道分配方法，其特征在于，所述二元混合整数非线性规划改进模型的模型约束包括：(1)流量守恒约束；(2)车道允许的最少流向数目约束；(3)进出口道车道数约束；(4)车道禁止的流向约束以及车道功能排布顺序约束；(5)周期时长、绿灯开始时间、绿灯时长约束；(6)信号相位相序以及清空时间约束；(7)车道饱和度约束。
- 根据权利要求1所述的一种单点信号交叉口的车道分配方法，其特征在于，所述两阶段随机模型包括变量交互的模型阶段1和模型阶段2。
- 根据权利要求4所述的一种单点信号交叉口的车道分配方法，其特征在于，所述模型阶段1的目标函数为：
其中，是随机变量μ的样本均值；s 2(Δ)为随机变量μ的样本方差；β为权重参数，反映了
和s(Δ)之间的权衡；
所述模型阶段2的目标函数为：
其中，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集，Q h为第h场景下的交通需求，μ h为基于Q h得到的最优值；根据优化得到的μ h，并结合每种场景的概率p h得到和s 2(Δ)：
其中，H为所有场景数。 - 根据权利要求1所述的一种单点信号交叉口的车道分配方法，其特征在于，所述基于交通需求的两阶段随机模型转换为两相位随机模型再求解。
- 根据权利要求6所述的一种单点信号交叉口的车道分配方法，其特征在于，所述两相位随机模型包括模型相位1和模型相位2，所述模型相位1的目标函数为：
其中，μ表示流量乘子，Δ为车道分配的决策变量子集，S为信号配时方案的决策变量子集，q为流量分配的决策变量子集；所述模型相位2的目标函数为：
其中，μ h为基于Q h得到的最优值，Q h为第h场景下的交通需求，H为所有场景数；根据S1得到的车道分配方案，对于每个场景下的交通需求Q h，得到最优的μ h，进一步计算得到和s 2(Q d)：
其中，p h为每种场景的概率，Q d为模型初始输入的交通需求参数。 - 根据权利要求7所述的一种单点信号交叉口的车道分配方法，其特征在于，所述两相位随机模型的总目标函数为：
其中，是交通需求参数的样本均值；s 2(Q d)为交通需求参数的样本方差；β为权重参数，反映了
和s(Q d)之间的权衡。
- 根据权利要求6所述的一种单点信号交叉口的车道分配方法，其特征在于，所述两相位随机模型采用遗传算法求解。
- 根据权利要求8所述的一种单点信号交叉口的车道分配方法，其特征在于，所述β取0.1～0.15。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010450675.1A CN111768638A (zh) | 2020-05-25 | 2020-05-25 | 一种单点信号交叉口的车道分配方法 |
| CN202010450675.1 | 2020-05-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2021238189A1 true WO2021238189A1 (zh) | 2021-12-02 |
Family
ID=72719563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/139469 WO2021238189A1 (zh) | 2020-05-25 | 2020-12-25 | 一种单点信号交叉口的车道分配方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111768638A (zh) |
| WO (1) | WO2021238189A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116225A (zh) * | 2022-06-23 | 2022-09-27 | 上海交通大学 | 一种面向混合交通流的数据驱动随机模型预测控制方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768638A (zh) * | 2020-05-25 | 2020-10-13 | 同济大学 | 一种单点信号交叉口的车道分配方法 |
| CN113947889B (zh) * | 2021-10-18 | 2022-09-23 | 长沙理工大学 | 一种自动驾驶交叉口行人过街控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637366A (zh) * | 2012-04-28 | 2012-08-15 | 同济大学 | 一种交叉口动态车道功能控制的实施方法 |
| CN103810869A (zh) * | 2014-02-27 | 2014-05-21 | 北京建筑大学 | 一种基于动态转向比例估计的路口信号控制方法 |
| CN106257554A (zh) * | 2016-04-21 | 2016-12-28 | 长沙理工大学 | 一种城市主干路禁左及左转保护相位设置方法 |
| CN110910663A (zh) * | 2019-10-16 | 2020-03-24 | 清华大学 | 一种车路协同环境下多智能车交叉口通行协调控制方法 |
| CN111768638A (zh) * | 2020-05-25 | 2020-10-13 | 同济大学 | 一种单点信号交叉口的车道分配方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6562255B2 (ja) * | 2015-09-02 | 2019-08-21 | 三菱重工機械システム株式会社 | 料金収受機、料金収受システム、料金収受方法及びプログラム |
| US9896096B2 (en) * | 2016-04-11 | 2018-02-20 | David E. Newman | Systems and methods for hazard mitigation |
| CN105825690B (zh) * | 2016-06-15 | 2018-04-13 | 北京航空航天大学 | 一种面向可协调控制的干线交叉口关联性分析及划分方法 |
| CN107016633B (zh) * | 2017-03-29 | 2020-06-30 | 东南大学 | 城市轨道交通接运公交计划发车时刻生成方法 |
| CN108447278B (zh) * | 2018-05-11 | 2020-09-01 | 银江股份有限公司 | 一种面向潮汐交通的交叉口时空优化方法及系统 |
| CN109035767A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种考虑交通控制与诱导协同的潮汐车道优化方法 |
| CN109165454A (zh) * | 2018-09-03 | 2019-01-08 | 北京交通大学 | 一种基于价格内生性的乘客出行时间选择行为建模方法 |
| CN109754112B (zh) * | 2018-11-27 | 2022-08-23 | 国网江苏省电力有限公司南京供电分公司 | 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法 |
| CN110111592B (zh) * | 2019-06-25 | 2021-10-22 | 浪潮软件股份有限公司 | 基于交通信号控制机动态匹配最优信号配时方案的方法 |
| CN111091722B (zh) * | 2019-12-27 | 2020-12-11 | 哈尔滨工业大学 | 人机混合驾驶环境下交叉口信号控制参数的优化方法 |
| CN111064214A (zh) * | 2019-12-31 | 2020-04-24 | 国网浙江省电力有限公司电力科学研究院 | 基于电动汽车两阶段滚动式策略的配电网优化调度方法 |
-
2020
- 2020-05-25 CN CN202010450675.1A patent/CN111768638A/zh active Pending
- 2020-12-25 WO PCT/CN2020/139469 patent/WO2021238189A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637366A (zh) * | 2012-04-28 | 2012-08-15 | 同济大学 | 一种交叉口动态车道功能控制的实施方法 |
| CN103810869A (zh) * | 2014-02-27 | 2014-05-21 | 北京建筑大学 | 一种基于动态转向比例估计的路口信号控制方法 |
| CN106257554A (zh) * | 2016-04-21 | 2016-12-28 | 长沙理工大学 | 一种城市主干路禁左及左转保护相位设置方法 |
| CN110910663A (zh) * | 2019-10-16 | 2020-03-24 | 清华大学 | 一种车路协同环境下多智能车交叉口通行协调控制方法 |
| CN111768638A (zh) * | 2020-05-25 | 2020-10-13 | 同济大学 | 一种单点信号交叉口的车道分配方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHUNHUI YU ET AL.: "Robust Optimal Lane Allocation for Isolated Intersections", COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING, vol. 32, no. 1, 31 January 2017 (2017-01-31), pages 72 - 86, ISSN: 1111-2236 * |
| DINCTURK, E. ET AL. ET AL.: "Fungal and Bacterial Co-Infection of Sea Bass (Dicentrarchus labrax, Linneaeus 1758) in a Recirculating Aquaculture System: Saprolegnia parasitica and Aeromonas hydrophila", AQUATIC SCIENCES AND ENGINEERING, vol. 33, no. 3, 2018, pages 67 - 71, XP055872642 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116225A (zh) * | 2022-06-23 | 2022-09-27 | 上海交通大学 | 一种面向混合交通流的数据驱动随机模型预测控制方法 |
| CN115116225B (zh) * | 2022-06-23 | 2023-08-04 | 上海交通大学 | 一种面向混合交通流的数据驱动随机模型预测控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111768638A (zh) | 2020-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021238189A1 (zh) | 一种单点信号交叉口的车道分配方法 | |
| CN108470444B (zh) | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 | |
| CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及系统 | |
| CN105046990B (zh) | 一种基于粒子群算法的相邻路口间人行道信号灯控制方法 | |
| Yao et al. | Emergency vehicle route oriented signal coordinated control model with two-level programming | |
| CN111126687B (zh) | 一种交通信号的单点离线优化系统及方法 | |
| CN113947889B (zh) | 一种自动驾驶交叉口行人过街控制方法 | |
| CN107067759A (zh) | 一种基于acp的平行交通信号灯实时控制方法 | |
| CN109902864A (zh) | 一种考虑网络配载均衡的施工区交通组织方案设计方法 | |
| CN106504548A (zh) | 交通灯智能控制方法及系统 | |
| Liu et al. | A reverse causal-effect modeling approach for signal control of an oversaturated intersection | |
| Lu et al. | Bi-level programming model for dynamic reversible lane assignment | |
| WO2023035666A1 (zh) | 一种基于预期收益估计的城市路网交通信号灯控制方法 | |
| CN108922204B (zh) | 一种考虑交叉口信号控制的元胞传输模型改进方法 | |
| 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 | |
| CN107680393B (zh) | 一种基于时变论域的十字路口交通信号灯的智能控制方法 | |
| CN110838237A (zh) | 一种禁左十字交叉口左转公交车通行控制方法 | |
| CN112365713B (zh) | 一种主支路交叉口信号配时优化方法 | |
| Kim et al. | Lane assignment problem using a genetic algorithm in the Automated Highway Systems | |
| CN112562363A (zh) | 一种基于v2i的交叉口交通信号优化方法 | |
| CN116543574A (zh) | 一种面向车道容量差异的多信号灯控制方法及系统 | |
| CN110097757A (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
| CN113096415B (zh) | 一种行人二次过街交叉口信号协调优化控制方法 | |
| CN115705771A (zh) | 基于强化学习的交通信号控制方法 | |
| Cai et al. | Optimization of the reversible lane considering the relationship between traffic capacity and number of lanes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20937808 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20937808 Country of ref document: EP Kind code of ref document: A1 |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20937808 Country of ref document: EP Kind code of ref document: A1 |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03/07/2023) |