论文阅读(一)城市干道分段绿波协调控制模型研究

这篇具有很好参考价值的文章主要介绍了论文阅读(一)城市干道分段绿波协调控制模型研究。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

[1]酆磊,赵欣,李林等.城市干道分段绿波协调控制模型研究[J].武汉理工大学学报(交通科学与工程版),2021,45(06):1034-1038.

主要内容:该文介绍了基于绿波带宽和关联度的城市干道分段绿波协调控制模型。通过将主干道划分为不同子区域,并根据路段特点进行精准化控制,实现了分段绿波控制。仿真试验结果表明,实施分段绿波后,主干道总体延误时间、停车次数、排队长度均有显著的优化效果。该方案能够适应不同交通特征路段和交叉口,达到精准化绿波控制的目的。后续研究需对模型进行优化改进,并增加路段进行仿真试验。

1.该文提出的城市干道分段绿波协调控制模型是如何实现的?

该文提出的城市干道分段绿波协调控制模型是基于绿波带宽和关联度对城市干道进行子区划分,将拥堵和畅通路段分段进行绿波控制,并利用集合运算的方法建立控制模型协调相邻分段绿波。具体实现步骤如下:文章来源地址https://www.toymoban.com/news/detail-828567.html

  1. 对城市干道进行子区划分:根据道路路网密度和交叉口数量,将城市干道划分为若干个子区。每个子区包含一定数量的路段和交叉口。
  2. 绿波分段:根据关联度要求,将差异较大的路段和交叉口分段协调。绿波分段首先要满足关联性的要求,为表征交叉口间的关联性,采用简易的耦合度模型,给出协调子区的合并阈值Rcom。通过比较相邻路口的关联度与Rcom的大小进行绿波分段。
  3. 绿波带宽瓶颈点识别:通过比较绿波带宽最大通行能力与实际流量的大小找到绿波带宽的瓶颈点,对主干道绿波进行分段。
  4. 建立控制模型:利用集合运算的方法建立控制模型协调相邻分段绿波。对不同交通特征路段和交叉口实施不同特性绿波控制,达到精准化绿波控制。
  5. 系统仿真与优化:以桂林市中山路为例进行VISSIM仿真,结果表明:该分段绿波协调控制模型

到了这里,关于论文阅读(一)城市干道分段绿波协调控制模型研究的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【模型压缩】 LPPN论文阅读笔记

    LPPN: A Lightweight Network for Fast Phase Picking  深度学习模型的问题在于计算复杂度较高,在实际数据处理中需要面临较高的处理代价,且需要专用的加速处理设备,如GPU。随着数据累积,迫切需要设计一种能够保证精度的轻量化高速震相拾取模型,以提高处理海量数据的效率,这

    2024年02月16日
    浏览(41)
  • 论文阅读_增强语言模型综述

    name_en: Augmented Language Models: a Survey name_ch: 增强语言模型综述 paper_addr: http://arxiv.org/abs/2302.07842 date_read: 2023-05-20 date_publish: 2023-02-15 tags: [‘深度学习’,‘自然语言处理’,‘大模型’] author: Grégoire Mialon,Meta 文章是一篇增强语言模型(Augmented Language Models,ALMs)综述,这里的增

    2024年02月15日
    浏览(58)
  • 【论文阅读】基于隐蔽带宽的汽车控制网络鲁棒认证(一)

    汽车工业最近的进步为汽车配备了复杂的娱乐和导航系统,这些系统可以连接到互联网等广泛的网络。随着车载嵌入式设备的出现,这些新奇的东西可以远程访问,汽车内部网络也随之暴露出来,并扩展到它们连接的所有组件。 控制器区域网络(CAN)广泛用于控制车辆边界内的

    2024年02月04日
    浏览(48)
  • 小样本目标检测综述__刘浩宇(导航与控制2021)论文阅读

    早期采用了大量标注样本回归候选框的位置,但后来 目标集和训练集数据分布不同导致检测效果下降 。 对于没有大量样本支持的小样本检测应用就需要使用 先验知识 来弥补样本的不足。 可以分为三类: 数据域 通过先验知识来做数据增强,以弥补样本不足的问题,解决模

    2024年02月12日
    浏览(51)
  • 语义分割大模型RSPrompter论文阅读

    RSPrompter: Learning to Prompt for Remote Sensing Instance Segmentation based on Visual Foundation Model RSPrompter 摘要 Abstract—Leveraging vast training data (SA-1B), the foundation Segment Anything Model (SAM) proposed by Meta AI Research exhibits remarkable generalization and zero-shot capabilities. Nonetheless, as a category-agnostic instance segmen

    2024年02月12日
    浏览(55)
  • 论文阅读_模型结构_LoRA

    name_en: LoRA: Low-Rank Adaptation of Large Language Models name_ch: LORA:大语言模型的低阶自适应 paper_addr: http://arxiv.org/abs/2106.09685 date_read: 2023-08-17 date_publish: 2021-10-16 tags: [‘深度学习’,‘大模型’] author: Edward J. Hu citation: 657 code: https://github.com/microsoft/LoRA pytorch,风格简捷 LoRA 是 Low-Rank 的

    2024年02月11日
    浏览(38)
  • 论文阅读_扩散模型_DDPM

    英文名称: Denoising Diffusion Probabilistic Models 中文名称: 去噪扩散概率模型 论文地址: http://arxiv.org/abs/2006.11239 代码地址1: https://github.com/hojonathanho/diffusion (论文对应代码 tensorflow) 代码地址2: https://github.com/AUTOMATIC1111/stable-diffusion-webui stable-diffusion-webui/modules/models/diffusion/ddpm_edi

    2024年02月09日
    浏览(48)
  • 论文阅读_扩散模型_LDM

    英文名称: High-Resolution Image Synthesis with Latent Diffusion Models 中文名称: 使用潜空间扩散模型合成高分辨率图像 地址: https://ieeexplore.ieee.org/document/9878449/ 代码: https://github.com/CompVis/latent-diffusion 作者:Robin Rombach 日期: 2022-06-01 引用: 2275 Latent Diffusion Models (LDMs)基于潜空间的扩散模

    2024年02月11日
    浏览(67)
  • 【论文阅读笔记】Mamba模型代码理解

    官方实现:state-spaces/mamba (github.com) 最简化实现:johnma2006/mamba-minimal: Simple, minimal implementation of the Mamba SSM in one file of PyTorch. (github.com) 直接实现:alxndrTL/mamba.py: A simple and efficient Mamba implementation in PyTorch and MLX. (github.com) 官方代码做了大量优化,目录层级较多,对于理解模型含

    2024年04月13日
    浏览(70)
  • 论文阅读_扩散模型_DM

    英文名称: Deep Unsupervised Learning using Nonequilibrium Thermodynamics 中文名称: 使用非平衡热力学原理的深度无监督学习 论文地址: http://arxiv.org/abs/1503.03585 代码地址: https://github.com/Sohl-Dickstein/Diffusion-Probabilistic-Models 时间: 2015-11-18 作者: Jascha Sohl-Dickstein, 斯坦福大学 引用量: 1813 论文目

    2024年02月10日
    浏览(53)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包