基于固定型检测器和浮动车的路段行程时间获取技术

吉林大学学报(工学版) ›› 2009, Vol. 39 ›› Issue (增刊2): 168-0171.

基于固定型检测器和浮动车的路段行程时间获取技术

杨兆升,于悦,杨薇

吉林大学交通学院|长春 130022

收稿日期:2009-03-17 出版日期:2009-09-30 发布日期:2009-09-30
通讯作者: 杨兆升（1938-）,男,教授,博士生导师.研究方向:智能运输系统.E-mail:yangzs@jlu.edu.cn E-mail:yangzs@jlu.edu.cn
作者简介:杨兆升（1938-）,男,教授|博士生导师.研究方向:智能运输系统.E-mail:yangzs@jlu.edu.cn
基金资助:
“863”国家高技术研究发展计划项目(2007AA12Z242,2007AA11Z218,2007AA11Z245)

Acquisition of travel time based on inductive coil detector and probe vehicle

YANG Zhao-sheng, YU Yue, YANG Wei

College of Transportation, Jilin University,Changchun 130022,China

Received:2009-03-17 Online:2009-09-30 Published:2009-09-30
Contact: YANG Zhao-sheng E-mail:yangzs@jlu.edu.cn

摘要/Abstract

摘要：

在深入分析交通流诱导系统信息需求的基础上，提出了一种新的路段行程时间获取技术。首先分别利用固定型检测器和浮动车计算路段平均行程时间，进而应用自适应指数平滑法进行短时预测，最后开发了不同可靠度下基于固定型检测器和浮动车的路段行程时间快速融合算法。试验结果表明，该技术能够准确、高效地获取路段行程时间，为交通流诱导系统提供高质量的输入数据，满足出行者的信息需求。

关键词: 城市交通流诱导系统, 行程时间预测, 神经网络, 信息融合, 浮动车

Abstract:

Based on the lucubration of info demand in the Urban Traffic Flow Guidance Systems, A new technology applicated to the acquisition of travel time was presented. Firstly, calculates the mean travel time by means of inductive coil detection and probe vehicle respectively. Then carry out the shortperiod peidiction thanks to the Adaptive Weight Exponential Smoothing Ultimately empolders a frequent fusion arithmetic of travel time under a series of reliability degrees based on both inductive coil detection and probe vehicle. The experimental results confirm the performance of the technology as it can offer the travel time exactly and efficiently used as the input datas of he Urban Traffic Flow Guidance Systems to satisfy the info demand of travellers.

Key words: urban traffic flow guidance systems, travel time trediction, neural network, tnformation fusion, probe vehicle

中图分类号:

U491

杨兆升,于悦,杨薇. 基于固定型检测器和浮动车的路段行程时间获取技术[J]. 吉林大学学报(工学版), 2009, 39(增刊2): 168-0171.

YANG Zhao-sheng, YU Yue, YANG Wei. Acquisition of travel time based on inductive coil detector and probe vehicle[J]. 吉林大学学报(工学版), 2009, 39(增刊2): 168-0171.

参考文献

相关文章 15

[1]	席利贺,张欣,孙传扬,王泽兴,姜涛. 增程式电动汽车自适应能量管理策略[J]. 吉林大学学报(工学版), 2018, 48(6): 1636-1644.
[2]	江涛,林学东,李德刚,杨淼,汤雪林. 基于人工神经网络的放热规律的量化预测[J]. 吉林大学学报(工学版), 2018, 48(6): 1747-1754.
[3]	徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[4]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[5]	底晓强, 王英政, 李锦青, 从立钢, 祁晖. 基于量子细胞神经网络超混沌的视频加密方法[J]. 吉林大学学报(工学版), 2018, 48(3): 919-928.
[6]	王方石, 王坚, 李兵, 王博. 基于深度属性学习的交通标志检测[J]. 吉林大学学报(工学版), 2018, 48(1): 319-329.
[7]	刘东亮, 王秋爽. 基于NGSIM数据的车辆瞬时速度获取方法[J]. 吉林大学学报(工学版), 2018, 48(1): 330-335.
[8]	谢志江, 吴小勇, 范乃吉, 郭宗环, 袁岳军, 王康. 神光-III精密装校平台运动学分析[J]. 吉林大学学报(工学版), 2017, 47(5): 1504-1511.
[9]	马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.
[10]	王德军, 吕志超, 王启明, 张贤达, 王子健. 基于汽缸压力辨识的发动机失火故障诊断[J]. 吉林大学学报(工学版), 2017, 47(3): 917-923.
[11]	黄璇, 郭立红, 李姜, 于洋. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2017, 47(3): 996-1002.
[12]	李琳辉, 伦智梅, 连静, 袁鲁山, 周雅夫, 麻笑艺. 基于卷积神经网络的道路车辆检测方法[J]. 吉林大学学报(工学版), 2017, 47(2): 384-391.
[13]	王庆年, 段本明, 王鹏宇, 拱印生, 朱庆林. 插电式混合动力汽车动力传动系参数优化[J]. 吉林大学学报(工学版), 2017, 47(1): 1-7.
[14]	郭应时, 付锐, 赵凯, 马勇, 袁伟. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016, 46(6): 1836-1844.
[15]	孙大许, 兰凤崇, 何幸福, 陈吉清. 双电机四驱电动汽车自适应复合防抱死控制[J]. 吉林大学学报(工学版), 2016, 46(5): 1405-1413.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed