-
公开(公告)号：CN113380036A
公开(公告)日：2021-09-10
申请号：CN202110668088.4
申请日：2021-06-16
Applicant: 上海应用技术大学
Abstract: 本发明公开了一种基于电子警察数据的排队长度计算方法，包括步骤S1：采集数据：结合交通波的运动学规律，从START交通诊断与优化系统中获取车辆的车牌号码、车辆类型、驶离停车线时刻数据；步骤S2：数据预处理：将电子警察中的异常数据、缺失数据、重复数据做数据清洗；步骤S3：根据行程时间的分布情况，确定车辆在该路段的停车次数；步骤S4：根据车辆停车次数与车辆从上游交叉口停车线驶离时刻和从该交叉口停车线驶离时刻，构建交叉口排队长度计算方法。与传统的排队长度估计模型相比该模型所需的原始数据较少，具有更高的预测精度、更强的泛化能力，能够更准确预测城市信号交叉口的排队长度。
-
Patent Agency Ranking
公开(公告)号：CN111899506B
公开(公告)日：2023-04-11
申请号：CN202010539763.9
申请日：2020-06-12
Applicant: 上海应用技术大学
Abstract: 本发明提供了一种基于电子警察数据的交通溢流判别方法，采用车辆延误和车辆驶离时刻数据，利用交通波运动学理论，计算饱和路段启动波波速，判断绿灯开始时刻启动波到各车辆所需时间；根据车辆过饱和状态下周期性规律，确定周期内排队车辆的头车；利用头车驶离时刻与目标车辆驶离时刻之差，判别目标车辆是否出现过交通溢流状态，利用VISSIM模型进行准确验证。本发明能够较为准确判别城市道路车辆溢流的发生，有效预防过饱和溢流的发生。
-
公开(公告)号：CN113380036B
公开(公告)日：2023-02-07
申请号：CN202110668088.4
申请日：2021-06-16
Applicant: 上海应用技术大学
Abstract: 本发明公开了一种基于电子警察数据的排队长度计算方法，包括步骤S1：采集数据：结合交通波的运动学规律，从START交通诊断与优化系统中获取车辆的车牌号码、车辆类型、驶离停车线时刻数据；步骤S2：数据预处理：将电子警察中的异常数据、缺失数据、重复数据做数据清洗；步骤S3：根据行程时间的分布情况，确定车辆在该路段的停车次数；步骤S4：根据车辆停车次数与车辆从上游交叉口停车线驶离时刻和从该交叉口停车线驶离时刻，构建交叉口排队长度计算方法。与传统的排队长度估计模型相比该模型所需的原始数据较少，具有更高的预测精度、更强的泛化能力，能够更准确预测城市信号交叉口的排队长度。
-
公开(公告)号：CN111899506A
公开(公告)日：2020-11-06
申请号：CN202010539763.9
申请日：2020-06-12
Applicant: 上海应用技术大学
Abstract: 本发明提供了一种基于电子警察数据的交通溢流判别方法，采用车辆延误和车辆驶离时刻数据，利用交通波运动学理论，计算饱和路段启动波波速，判断绿灯开始时刻启动波到各车辆所需时间；根据车辆过饱和状态下周期性规律，确定周期内排队车辆的头车；利用头车驶离时刻与目标车辆驶离时刻之差，判别目标车辆是否出现过交通溢流状态，利用VISSIM模型进行准确验证。本发明能够较为准确判别城市道路车辆溢流的发生，有效预防过饱和溢流的发生。
-
公开(公告)号：CN109345832B
公开(公告)日：2021-06-29
申请号：CN201811351157.3
申请日：2018-11-13
Applicant: 上海应用技术大学
Abstract: 本发明属于机器学习领域，特别是涉及一种基于深度递归神经网络的城市道路超车率预测方法。利用电子警察与卡口等车牌识别系统，通过上下游车牌识别的时间对比，可以较为精确的获取车辆在路段之间的超车关系。与传统神经网络相比该模型具有更高的精度、更强的泛化能力。本发明能够更准确预测城市道路的超车趋势，既一定程度上保障了交通安全，又为相关管理部门提供了决策支持。
-
公开(公告)号：CN109345832A
公开(公告)日：2019-02-15
申请号：CN201811351157.3
申请日：2018-11-13
Applicant: 上海应用技术大学
Abstract: 本发明属于机器学习领域，特别是涉及一种基于深度递归神经网络的城市道路超车率预测方法。利用电子警察与卡口等车牌识别系统，通过上下游车牌识别的时间对比，可以较为精确的获取车辆在路段之间的超车关系。与传统神经网络相比该模型具有更高的精度、更强的泛化能力。本发明能够更准确预测城市道路的超车趋势，既一定程度上保障了交通安全，又为相关管理部门提供了决策支持。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
