-
公开(公告)号：CN115512547A
公开(公告)日：2022-12-23
申请号：CN202211222117.5
申请日：2022-10-08
Applicant: 南通大学
Abstract: 本发明公开了一种相位方案通用型路网绿波协调控制方法，包括以下步骤：步骤1、对路网中的干道和交叉口进行编号；步骤2、路网类型判断与交叉口分类；步骤3、建立相应的路网绿波协调控制模型；步骤4、获取最佳路网绿波协调控制方案。采用本发明提供的方法既能够解决单独相位方案下的路网绿波协调控制问题也能解决混合相位方案下的路网绿波协调控制问题，克服了传统路网绿波协调控制模型多是适于NEMA相位方案的局限，具有良好的通用性与适用性。
-
公开(公告)号：CN111785046A
公开(公告)日：2020-10-16
申请号：CN202010613828.X
申请日：2020-06-30
Applicant: 南通大学
Abstract: 本发明公开了一种带有协调路径优选功能的干道T型交叉口群绿波协调方法，其包括以下步骤：确定干道公共信号周期的取值范围；确定相邻T型交叉口间协调路径对备选集合；构建带有协调路径优选功能的干道T型交叉口群绿波协调模型；求解所建模型并以时距图的形式展现最佳绿波协调参数。本发明给出的干道T型交叉口群绿波协调控制方法可以实现协调路径的优选，能够获得更好的协调控制效果。
-
公开(公告)号：CN119741843A
公开(公告)日：2025-04-01
申请号：CN202411965941.9
申请日：2024-12-30
Applicant: 南通大学
Abstract: 本发明公开了一种早启迟断相位下多出行方式的路网多路径绿波控制方法，涉及交通信号控制领域。该方法包括以下步骤：步骤1、构建早启迟断相位下多出行方式的路网多路径绿波控制模型；步骤2、确定早启迟断相位下多出行方式的路网多路径绿波控制方案。本发明解决了早启迟断相位下小汽车和电动自行车在路网层面上的多路径绿波控制问题，该方法既兼顾了机动化出行方式即小汽车的绿波控制需求，也充分考虑了非机动化出行方式即电动自行车的绿波控制需求。
-
公开(公告)号：CN118351704A
公开(公告)日：2024-07-16
申请号：CN202410624029.0
申请日：2024-05-20
Applicant: 南通大学
Abstract: 本发明公开了一种面向闭合路网的小汽车和公交车绿波协同控制方法，包括以下步骤：步骤1、构建面向闭合路网的小汽车和公交车绿波协同控制模型；步骤2、确定闭合路网上小汽车和公交车的绿波协同控制方案。本发明将公共周期、交叉口相序和相位差作为决策变量，同时松弛关键约束以避免模型出现无可行解的情况，解决了闭合路网层面上小汽车和公交车的绿波协同控制问题。
-
公开(公告)号：CN110991698B
公开(公告)日：2023-09-22
申请号：CN201911079213.7
申请日：2019-11-07
Applicant: 南通大学
Abstract: 本发明的基于一种混合处理的季节性交通流灰色预测方法，包括如下步骤：S1、根据不同时间间隔，从交通流数据库中提取若干周期的断面交通流量，建立季节性的原始交通流量序列；S2、利用基于比重法和季节指数法的混合处理方法去除原始交通流量序列的季节性，将原始交通流量序列转化为平滑的目标交通流量序列；S3、建立灰色预测模型，对目标交通流量序列进行预测处理，得到下一周期的交通流量预测值。本发明消除了原始交通流数据的季节性，在少量原始数据的情况下，有效提升了灰色预测的能力。本发明对于随机性较强的弱季节性交通流序列也有着较高的预测精度，且预测范围更广、预测效率更高、计算复杂度更低。
-
Patent Agency Ranking
公开(公告)号：CN111301426B
公开(公告)日：2021-01-05
申请号：CN202010174977.0
申请日：2020-03-13
Applicant: 南通大学
Abstract: 本发明公开了一种基于GRU网络模型预测未来行驶过程能耗的方法，将与电动汽车行驶过程中电池能耗变化有较强相关性的变量输入至GRU网络当中，计算输入时间序列数据的权重和偏向，通过不断调整模型的参数值，保存最优模型参数；基于权重和偏向计算获得GRU网络的训练结果；输入测试样本至工况行驶SOC预测模型，输出预测结果；通过对历史行车数据的训练，可准确预测电动汽车未来行驶过程中的电池能耗值变化。本发明对电动汽车未来行驶过程中的电池能耗预测误差小，有效提升了预测准确率。通过对能耗值进行精准预测，可以准确的估算出电动汽车在未来行驶工况下的续航里程，从而帮助电动汽车驾驶员建立行驶里程自信。
-
公开(公告)号：CN111301426A
公开(公告)日：2020-06-19
申请号：CN202010174977.0
申请日：2020-03-13
Applicant: 南通大学
Abstract: 本发明公开了一种基于GRU网络模型预测未来行驶过程能耗的方法，将与电动汽车行驶过程中电池能耗变化有较强相关性的变量输入至GRU网络当中，计算输入时间序列数据的权重和偏向，通过不断调整模型的参数值，保存最优模型参数；基于权重和偏向计算获得GRU网络的训练结果；输入测试样本至工况行驶SOC预测模型，输出预测结果；通过对历史行车数据的训练，可准确预测电动汽车未来行驶过程中的电池能耗值变化。本发明对电动汽车未来行驶过程中的电池能耗预测误差小，有效提升了预测准确率。通过对能耗值进行精准预测，可以准确的估算出电动汽车在未来行驶工况下的续航里程，从而帮助电动汽车驾驶员建立行驶里程自信。
-
公开(公告)号：CN110991698A
公开(公告)日：2020-04-10
申请号：CN201911079213.7
申请日：2019-11-07
Applicant: 南通大学
Abstract: 本发明的基于一种混合处理的季节性交通流灰色预测方法，包括如下步骤：S1、根据不同时间间隔，从交通流数据库中提取若干周期的断面交通流量，建立季节性的原始交通流量序列；S2、利用基于比重法和季节指数法的混合处理方法去除原始交通流量序列的季节性，将原始交通流量序列转化为平滑的目标交通流量序列；S3、建立灰色预测模型，对目标交通流量序列进行预测处理，得到下一周期的交通流量预测值。本发明消除了原始交通流数据的季节性，在少量原始数据的情况下，有效提升了灰色预测的能力。本发明对于随机性较强的弱季节性交通流序列也有着较高的预测精度，且预测范围更广、预测效率更高、计算复杂度更低。
-
公开(公告)号：CN111860989B
公开(公告)日：2024-04-19
申请号：CN202010654628.9
申请日：2020-07-08
Applicant: 南通大学
IPC: G06Q10/04 , G06Q50/40 , G06N3/0442 , G06N3/084 , G06N3/006
Abstract: 本发明公开了一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，从某路口通行数据库及历史数据导入至Python的Pandas模块进行预处理，并按照时间段进行分组聚合；对处理后的数据进行归一化处理；使用基于长短期神经网络构建训练模型，按照80％训练集、20％验证集的比例划分训练集与验证集；通过Ant‑Cycle蚁群算法基于启发式思想对LSTM的神经网络进行优化，与实时数据进行比对，使用MASE与决定系数指标评价模型的预测准确率，最终完成对路口短时交通流的预测。本发明使用蚁群算法优化超参数的设置避免了设置超参数困难的情况，使决定系数提升8个百分点，可有效提高路口短时交通流量预测的准确率。
-
公开(公告)号：CN111027662B
公开(公告)日：2024-01-12
申请号：CN201911085138.5
申请日：2019-11-08
Applicant: 南通大学
Abstract: 本发明提出了一种基于混沌量子粒子群算法优化的SD‑LSSVR短时交通流量预测方法，在优化的SD‑LSSVR模型中首先利用季节性因子预处理方法弱化原始数据序列的季节特征，其次构造优化的SD‑LSSVR模型快速得到预测结果。再次，利用混沌量子粒子群优化算法选择新模型所涉及的最优参数，以获得最佳的精度，最后采用滤波控制理论为实际的交通干道结构构建信号控制系统。最后，以某主干道为例进行了实际测试，验证了该模型的准确性和稳定性。数值结果表明，该模型不仅能有效地预测交通流量的季节变化，而且与BP神经网络模型、原最小二乘支持向量回归模型、季节ARIMA模型和灰色预测模型等几种著名的预测模型相比，具有较好的预测效果。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.027 seconds)
