-
公开(公告)号：CN102881174A
公开(公告)日：2013-01-16
申请号：CN201210402569.1
申请日：2012-10-22
Applicant: 东南大学
Abstract: 本发明公开了一种降低单车延误的双进口道交叉口渠化设计及信号配时方法，该方法包括：采集交叉口交通信息、判断进口方向是否需要设置左转保护性相位、修正进口方向等效流量、确定渠化设计方案、确定信号配时方案五个步骤。本发明方法充分考虑了双进口道交叉口不同渠化设计方案对机动车通行效率的影响，在引入“左右转车道+直行车道”的新型渠化方案的同时，通过交叉口流量检测—交叉口渠化设计优化—信号配时方案对应调整，降低机动车单车延误，使机动车得以更快通过交叉口，提高交叉口的通行能力。本发明方法便于计算、实用性强，可有效降低机动车在交叉口的延误，为城市居民出行，尤其是机动车出行带来极大便利。
-
公开(公告)号：CN101944288A
公开(公告)日：2011-01-12
申请号：CN201010262999.9
申请日：2010-08-25
Applicant: 东南大学
IPC: G08G1/00
Abstract: 本发明公开了一种城市公交线路停靠站设置方法，涉及城市公交规划技术领域。本发明方法通过公交停靠站设置与乘客平均公交出行时间、公交平均运行时间、单位长度公交服务覆盖面积之间的函数关系建立多目标规划模型，并采用修正的向量评估遗传算法进行求解，得到最优的公交停靠站设置方案。本发明方法充分考虑了公交停靠站设置对乘客、公交运营和城市公交系统三个方面的影响，在保证乘客公交出行时间与公交的运行时间尽可能小的情况下，使公交服务的覆盖面积尽可能的大。相比现有技术，本发明方法大幅提高了公交停靠站设置的合理性和准确性，对城市公交规划具有重要意义。
-
公开(公告)号：CN118097934B
公开(公告)日：2024-12-03
申请号：CN202410053579.1
申请日：2024-01-15
Applicant: 东南大学
IPC: G08G1/01 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了面向突发事件下路网流量实时预测的在线学习图卷积方法，通过事故前后的不同参数训练模式，实现了事故发生后更高精度的路网流量预测。通过事故前的检测器数据可以训练出针对未发生事故情况下的路网流量特征，但是事故发生后，路网流量特征发生重大改变，事故发生前训练出的模型参数不再适用事故发生时的路网流量特征。因此事故发生后采用实时更新参数的方法，对自适应图卷积网络参数进行实时更新，让该模型能够识别事故特征，实现对事故发生后高速路网交通流的更高精度预测。本发明所提基于实时参数更新图卷积网络突发重大交通事故后的高速路网交通流预测方法具有较高的预测精度。
-
公开(公告)号：CN117648862A
公开(公告)日：2024-03-05
申请号：CN202311629989.8
申请日：2023-11-30
Applicant: 东南大学
Abstract: 本申请涉及一种基于聚类‑信赖域代理模型的宏观交通仿真参数标定方法。该方法包括：采集仿真区域内各条路段的小时交通量并划分训练集和测试集，并对训练集进行聚类，确定最佳簇数量和对应的聚类结果，构建待标定参数集，构建目标函数，并确定目标函数的约束条件和参数集的解空间，构建初始的参数组合样本集对目标函数进行求解，获得目标函数值集，构建初始的高斯过程回归代理模型，采用信赖域优化算法进行迭代优化，确定最优的参数候选集，以最优的参数候选集作为宏观交通仿真的道路阻抗函数的参数，采用测试集和训练集进行宏观交通仿真，以满足预设阈值采用的最优的参数候选集作为最终的参数集。提高了宏观交通仿真的参数标定的精度。
-
公开(公告)号：CN117633992A
公开(公告)日：2024-03-01
申请号：CN202311680390.7
申请日：2023-12-08
Applicant: 东南大学
Abstract: 本发明公开一种基于仿真迭代的窄路密网环境下的单向交通组织方法，属于计算、推算或计数的技术领域。该方法包括以下步骤：首先，进行交通调查，采集拟实施区域交通基础数据；其次，依据窄路密网特征的指标要求，判断拟实施区域路网是否符合窄路密网特征；然后，构建窄路密网环境下的单向交通组织设计模型，提出窄路密网环境下的单向交通组织初步方案；最后，通过仿真迭代验证方案的可行性，并逐步优化得到最终方案。本发明适用于对具有窄路密网特征的城市道路进行单向交通组织，有助于提高城市交通管理水平，缓解城市交通拥堵问题。
-
Patent Agency Ranking
公开(公告)号：CN117351718A
公开(公告)日：2024-01-05
申请号：CN202311356441.0
申请日：2023-10-19
Applicant: 东南大学
IPC: G08G1/01 , G08G1/0967
Abstract: 本发明公开了一种基于智能网联环境的城市路网混合交通流逐日演化预测方法，首先获取路网拓扑与出行需求数据，根据突发事件的类型与位置，将其对交通网络的影响反应至拓扑数据当中，根据路网的路段数据与起讫点数据得到所有起讫点间可行路径数据，将车辆的出行需求分配至路网，进行交通网络流量演化逐日预测，人工驾驶车辆与智能网联车辆的路径感知成本，对不同类型车辆分别求解当日总感知成本最小方程，将求解结果作为演化方向，按流量转化率将前一日流量分布向演化方向移动，得到当日演化结果，实现人工驾驶车辆与智能网联车辆分类预测，迭代执行直至达到预测期限，得到每日的流量结果。本发明能够快速预测突发事件后混合流交通流量演化过程。
-
公开(公告)号：CN117172377A
公开(公告)日：2023-12-05
申请号：CN202311143198.4
申请日：2023-09-06
Applicant: 东南大学
Abstract: 本发明公开一种考虑城市吸引强度差异的城际交通分布预测方法，属于计算、推算或计数的技术领域。该方法包括以下步骤：首先，采集城际交通出行需求数据和、城市属性及空间位置数据；其次，进行数据处理得到城市潜在目的地序列；再次，构建考虑城市吸引强度差异的城际交通分布预测模型；然后，进行参数标定得到城际交通分布预测模型；最后，利用标定的模型进行城际交通分布预测。本发明通过引入不同的权重表征出发城市与到达城市对于城际出行的差异化的吸引强度，提出一种具有高预测精度的、符合实际出行情况的城际交通分布预测方法，为城际交通规划、出行政策制定、城市群管控提供依据，具有现实推广应用价值。
-
公开(公告)号：CN117113605A
公开(公告)日：2023-11-24
申请号：CN202311157977.X
申请日：2023-09-08
Applicant: 东南大学
IPC: G06F30/18 , G06F30/13 , G06F30/20 , G06Q10/0637 , G06Q50/30 , G06F111/06
Abstract: 本发明公开了一种基于多目标优化模型的城市公交走廊设计方法，该方法能够融合城市土地利用POI（Point of Interest，兴趣点）数据、居民出行OD（Origin‑Destination，起讫点）数据和走廊建设成本，以实现多角度考虑城市公交走廊的线路选择与级别规划。本发明基于多目标优化理论，形成公交走廊设计的数理化模型，与目前广泛使用的经验判断法、两步聚类法相比，该方法可以基于现有交通需求和未来发展趋势，获得更加精确合理的公交走廊设计结果，大大提升城市公交走廊规划的效率，减少人工设计的时间与成本。
-
公开(公告)号：CN115100849B
公开(公告)日：2023-04-18
申请号：CN202210570842.5
申请日：2022-05-24
Applicant: 东南大学
IPC: G08G1/01 , G06Q10/0631 , G06Q50/26
Abstract: 本发明公开了一种面向综合交通系统的组合式交通分布分析方法，包括以下步骤：（1）采集城市现状交通需求和城市用地属性数据；（2）将现状交通需求划分为现状刚性交通需求和现状弹性交通需求；（3）根据现状刚性交通需求和现状弹性交通需求预测未来年刚性交通需求和未来年弹性交通需求；（4）对未来年刚性交通需求和未来年弹性交通需求分别进行交通分布分析，输出未来年刚性交通需求OD矩阵和未来年弹性交通需求OD矩阵；（5）输出未来年交通需求OD矩阵。本发明结合了两种经典模型各自的优点，对不同类型的交通需求采用不同的交通分布方法，预测结果更合理、更准确，具有较高的推广应用价值。
-
公开(公告)号：CN112529299B
公开(公告)日：2022-11-18
申请号：CN202011460307.1
申请日：2020-12-11
Applicant: 东南大学
Abstract: 本发明公开了一种基于ARIMA和LSTM混合神经网络的短交通流预测方法，分别采集初始时段至t时段的原始交通流数据，确定ARIMA模型中差分阶数d，自回归阶数p和移动回归阶数q，得到标定参数的ARIMA(p,d,q)模型，使用初始时段至t时段的原始交通流序列训练ARIMA(p,d,q)模型，得到t时段的初步预测流数据从训练后的ARIMA(p,d,q)模型中提取AR(p)部分数据和MA(q)部分数据，以t时段的初步预测流数据AR(p)部分数据和MA(q)部分数据作为输入，以t时段的交通流数据真实值作为输出训练ARIMA‑LSTM混合神经网络模型，得到预测模型，获取预测时段的预测输入数据，将预测输入数据输入所述预测模型，得到预测时段的预测交通流数据，所得到的预测交通流数据准确性高。
-
-
-
-
-
-
-
-
-
Search Results
171
records
(took 0.038 seconds)
