基于动态模糊神经网络的高速公路信息诱导标志布设仿真评价

李娟; 倪世成; 周海磊; 王蕾; 赵建东

doi:10.12404/j.issn.1671-1815.2408794

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (5) :2177-2184 DOI: 10.12404/j.issn.1671-1815.2408794

交通运输

基于动态模糊神经网络的高速公路信息诱导标志布设仿真评价

李娟 ¹ ,
倪世成 ² ,
周海磊 ¹ ,
王蕾 ¹ ,
赵建东 ²^,^*

作者信息 +

Evaluation of Simulation for Deployment of Information Guidance Sign on Highways Based on Dynamic Fuzzy Neural Networks

Author information +

文章历史 +

摘要

为解决高速公路可变信息标志布设位置在该路段中是否需要优化的问题,提出了一种基于动态模糊神经网络的评价模型。首先,考虑到高速公路复杂的动态交通系统,构建相应评价指标体系;其次,为了更真实地评价可变信息标志布设位置对交通状况的影响,将不同管控策略与无管控策略差值作为组合特征数据,再通过评价模型进行车道级的评价。最后通过构建高速公路合流区产生交通拥堵场景,进行交通仿真验证评价模型的有效性。结果表明,所提出的评价模型能够从各交通指标中实现可变信息标志布设位置的评价,评价结果更加全面并与单一指标变化趋势一致。

Abstract

To tackle the problem of whether the placement of variable message signs (VMS) on a highway section requires optimization, an evaluation model was put forward based on a dynamic fuzzy neural network. Firstly, taking into account the complex and dynamic traffic system of highways, a corresponding evaluation indicator system was established. Secondly, to evaluate the impact of VMS placement on traffic conditions in a more realistic manner, the differences among various management strategies and the non-management strategy were utilized as combined feature data, and the evaluation model was applied to conduct evaluations at the lane level. Finally, a traffic congestion scenario in the highway merge area was constructed, and the effectiveness of the evaluation model was verified through traffic simulation. The results demonstrate that the proposed evaluation model can assess the placement of VMS from multiple traffic indicator perspectives, providing a more comprehensive evaluation that conforms to the trends of individual indicators.

Graphical abstract

关键词

高速公路 / 可变信息标志 / 评价 / 动态模糊神经网络

Key words

highway / variable message signs / evaluation / dynamic fuzzy neural network

引用本文

引用格式 ▾

李娟, 倪世成, 周海磊, 王蕾, 赵建东. 基于动态模糊神经网络的高速公路信息诱导标志布设仿真评价[J]. 科学技术与工程, 2026, 26(5): 2177-2184 DOI:10.12404/j.issn.1671-1815.2408794

LI Juan, NI Shi-cheng, ZHOU Hai-lei, WANG Lei, ZHAO Jian-dong. Evaluation of Simulation for Deployment of Information Guidance Sign on Highways Based on Dynamic Fuzzy Neural Networks[J]. Science Technology and Engineering, 2026, 26(5): 2177-2184 DOI:10.12404/j.issn.1671-1815.2408794

登录浏览全文

4963

注册一个新账户忘记密码

随着社会经济快速发展和城市化进程的加速,汽车保有量不断增加,交通出行需求持续上升。高速公路作为国民经济的重要枢纽,车流密度大、交通运行复杂,拥堵问题日益明显。可变信息标志作为现代智能交通系统的重要组成部分,能够及时发布相应的交通管控策略等信息,提高道路通行能力;但其有效性一定程度上受到布设位置的影响,不合理的布设位置对于该路段区域无法起到应有的交通管控作用,需要评估该布设位置是否合理便于后续进行优化。如何根据交通数据对可变信息标志布设位置进行评价,为后续可变信息标志布设是否需要优化提供合理参考,避免资源浪费,具有较大实际意义。

中外针对布设位置评价已有部分研究,杨艳群等^[1]根据室内模拟驾驶实验的结果,使用数据包络实现高速公路互通路引标志有效性的评估。廖小棱^[2]实地调查收费站相关信息,实现收费站车道诱导标志场景建模,根据其对于驾驶人换道决策的有效性判断不同标志方案的诱导效果,减少收费站交通流拥堵的可能性。李娜^[3]考虑到标志的布设成本,建立选址规划模型,使用遗传算法进行求解,并以诱导覆盖率和指引标志项系数作为布设位置结果的评价指标。Salari等^[4]研究路测单元布设位置与自动车辆识别问题,通过不断降低网联车辆渗透率,实现了在预算有限情况下的路径观测布设问题。朱晓东等^[5]利用灰色关联分析方法构建评估模型,通过案例验证表明该方法能有效评价重叠度、覆盖率、检测范围对于布设方案的影响。孙娓娓^[6]利用车辆自动识别(automatic vehicle identification,AVI)检测器对车辆观察顺序,建立布设模型来估计起讫点(origin and destination,OD)需求,设计贪婪启发式算法进行求解,实现布设位置OD需求的信息价值最大化。徐志航等^[7]给道路交通检测器在不同场景下的应用情况,并将现有研究分为用户旅行时间估计、面向交通事件、面向交通流估计3种类型,提出未来需要以多种交通信息为主导。

综上所述,在高速公路可变信息标志布设位置评价方面,目前研究大多建立优化模型,求解出最优布设位置后再进行评价,此类方法虽然有效,但其主要侧重于新布设标志的位置评价。然而在高速公路中有许多已布设的可变信息标志,通过评价方法来判断它们是否需要进行优化或保留,目前鲜有研究考虑这一问题。高速公路中交通数据具有复杂且变化快速的特点,且已布设的可变信息标志位置是否合理与其对该路段中交通流管控的效果有一定关系,与传统方法相比,动态模糊神经网络模型能根据交通状况的管控措施前后数据变化不断自我调整及优化;有效融合历史数据与实时数据准确评估可变信息标志在该路段的管控效果,并综合其他方面的影响实现可变信息标志布设位置评价。因此,现提出一种基于动态模糊神经网络的评价模型,通过评价指标实现评价模型的构建,使用VISSIM交通仿真平台构建高速公路合流区拥堵场景进行仿真,验证模型评价结果的有效性。以期为提升高速公路主动交通管理能力提供切实可行的技术路径。

1 评价指标体系构建

1.1 基本思想

考虑到高速公路交通系统具有复杂的动态特性,交通流在不同时刻和不同路段中会产生一定的差异,可变信息标志作为高速公路诱导系统的重要组成部分,其所处路段的不同对交通流会产生不同影响。可变信息标志合理的布设位置能够减少设施投入与安装成本,并减轻后续维护负担;能够在其布设地点发布实时路况和提示,一定程度上预防交通事故。在重要交通路段部署该设施,所传递的交通管控策略可以及时提醒驾驶员改变行车方式,从而减少交通拥堵,改善高速公路服务水平。信息诱导标志合理的布置地点可以确保信息在最需要的时刻传达到驾驶员,提高诱导效果;能让驾驶员有足够时间进行判断和决策,提升高速公路路网通行效率,减少交通拥堵。基于以上分析,以减缓交通拥堵效果为目的,依据系统性、全面性及科学性原则,构建可变信息标志布设方案评价体系,具体如图1所示。

1.2 指标选取

根据上述基本思想,对高速公路可变信息标志布设方案的评估从经济性、服务水平、诱导效果3个方面进行。其中,经济性方面通过使用成本一个指标表征;诱导效果方面主要通过占有率和延误时间两个指标表征;运行状况方面主要通过交通流量和交通流速度两个指标表征。评价指标的具体含义如下。

1.2.1 经济性

使用成本指的是安装、运营和维护可变信息标志的总费用。主要包括设备购置、日常维护修理费用,计算公式为

(1)

${Z}_{\mathrm{z}}={Z}_{1}+{Z}_{2}$

式(1)中:Z_z为总费用;Z₁为安装可变信息标志的费用;Z₂为运营、维护可变信息标志费用。布设成本的高低在一定程度上影响资源消耗,低成本的布设位置较为符合实际实施情况,需要从成本和效益中权衡。

1.2.2 诱导效果

占有率:采用基于时间的车辆占有率,即在特定时间段内车辆占用某路段道路的时间与该时间段总时间的比例,计算公式为

(2)

${R}_{\mathrm{t}}=\frac{\stackrel{n}{\sum _{i=1}}{T}_{i}}{T}$

式(2)中:R_t为车辆时间占有率;T为总时间;T_i为每辆车占用道路的时间;n为排队车辆总数。占有率的高低通常意味着道路处于拥堵状态或交通流畅的情况,需要在占有率较高的路段进行交通诱导,可变信息标志适合在该地段进行布设。

延误时间:采用总排队延误时间,即车辆因交通拥堵、交通事故等因素在某一特定路段总排队等待的时间,计算公式为

(3)

${D}_{\mathrm{z}}=\stackrel{n}{\sum _{i=1}}({D}_{i}-{T}_{i})$

式(3)中:D_z为总排队延误时间;D_i为第i辆车从排队到通过排队路段的实际时间;T_i 为第i辆车在自由流下预计通行时间;n为排队车辆总数。总排队延误时间能够代表道路通行效率,较长的延误时间会导致运行车辆燃油消耗以及环境污染的增加,合理的位置进行交通诱导能够有效减少延误时间。

1.2.3 运行状况

交通流量:代表一定时间内通过某一截面的车辆实体数量。交通流量是交通管理的重要基础数据,高流量的道路通常是交通管理的重点区域,需要在此进行合理的交通诱导。

交通流速度:代表一段时间内交通流在某一特定路段上的平均行驶速度,计算公式为

(4)

${V}_{\mathrm{a}\mathrm{v}\mathrm{g}}=\frac{\stackrel{n}{\sum _{i=1}}{V}_{i}}{N}$

式(4)中:V_avg为交通流平均速度;V_i为第i辆车通过某一截面时的瞬时速度;N为通过检测器的车辆总数。较低的平均速度通常意味着道路拥堵,而较高的平均速度则表示道路畅通,以此可以直观看出诱导效果。

2 动态模糊神经网络评价模型

2.1 相关理论

动态模糊神经网络(dynamic fuzzy neural network, DFNN)模型是在传统模糊逻辑评判模型^[8]基础上引入动态调整机制,根据实时数据变化动态调整隶属函数的参数,并结合神经网络的一种评价模型。其结合动态模糊综合评判和神经网络的优点,通过模糊化和动态调整机制处理输入数据,利用神经网络的学习能力进行模型训练和优化提高模型的鲁棒性和泛化能力,使得其处理不确定性和非线性问题时有较为优异的性能,适用于具有复杂动态特性的高速公路可变信息标志布设评估。

2.2 模型流程

模糊综合评价^[9]先对输入数据进行模糊化处理,并通过隶属函数计算每个输入的模糊隶属度。将隶属度通过模糊综合矩阵进行加权处理,得到初步的综合评价结果。其中模糊化过程主要通过隶属函数来实现,根据数据分布情况动态调整隶属函数。

步骤1 将数据进行组合相减计算,能够更好地反映诱导效果的差异情况,便于最终评价,公式为

(5)

${X}_{ij}^{n}=\left|{x}_{ij}^{n}-\right.\left.{x}_{ij}^{0}\right|$

式(5)中:

${X}_{ij}^{n}$

为数据差值的组合特征;

${x}_{ij}^{n}$

为第n个管控策略下第i车道中第j个指标;

${x}_{ij}^{0}$

为无管控策略下第i车道中第j个指标。

由组合特征后的数据特征计算每个特征的均值以及标准差,均值公式如式(6)所示,标准差如式(7)所示。

(6)

$u=\frac{1}{N}\stackrel{N}{\sum _{i=1}}{x}_{i}$

(7)

$\sigma =\sqrt{\frac{1}{N}\stackrel{N}{\sum _{i=1}}({x}_{i}{-u)}^{2}}$

式中:u为数据的特征均值;σ为数据标准差;N为数据中的样本数量;x_i为第i个样本的特征值。

步骤2 动态调整隶属函数。高斯隶属函数如式(8)所示。

(8)

${y}_{a}\left(x\right)=\mathrm{e}\mathrm{x}\mathrm{p}\left[-\frac{{(x-c)}^{2}}{2{\sigma }^{2}}\right]$

式(8)中:y_a(x)为数据x对模糊集合a的隶属度;c为隶属函数的中心;σ为宽度。隶属函数的参数c和σ可以根据数据的动态变化进行调整。

三角隶属函数如式(9)所示。

(9)

${y}_{a}\left(x\right)=\left\{\begin{array}{ll}0,& x\le a\mathrm{或}x\ge c\\ \frac{x-a}{b-a},& a\prec x\le b\\ \frac{c-x}{c-b},& b\prec x\le c\end{array}\right.$

式(9)中:a、b、c分别为三角形的3个顶点;y_a(x)为输入值x对模糊集合a的隶属度。当x=b时,隶属度u_a(x)达到最大值1。a和c分别定义了隶属度为 0 的范围边界。

创建一个与输入数据格式相同的零矩阵,通过上诉定义的隶属函数计算每个特征的模糊化均值,并存储在零矩阵中。

归一化处理如式(10)所示。

(10)

$x\text{'}=\frac{x-{x}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{x}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{x}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

式(10)中:x'为归一化后的值;x为原始数据;x_min和x_max分别为数据集的最小值和最大值。归一化后的数据范围通常在 [0,1]。

将该结果作为神经网络的输入层,通过多层结构和自适应学习机制,进一步提炼和优化综合评价结果,每一层的神经元之间通过权重连接,权重的更新遵循标准的反向传播算法。对于每一个隐含层节点j,其输出可以表示为

(11)

${h}_{j}=f\left(\stackrel{j}{\sum _{i}}{w}_{ij}{u}_{i}+{b}_{j}\right)$

式(11)中:w_ij为第 i个输入与第j个隐含层节点之间的权重;u_i为输入的模糊隶属度;b_j为节点的偏置;f(·)为Sigmoid激活函数。该函数如式(12)所示。

(12)

$f\left(x\right)=\frac{1}{1+{\mathrm{e}}^{-x}}$

隐含层节点计算出输出值后,网络输出通过解模糊化信息将模糊化信息转化为可解释的数值假设输出层的节点输出为y_k,则各车道最终的输出y如式(13)所示。

(13)

$y=\frac{\sum _{k}{u}_{k}{y}_{k}}{\sum _{k}{u}_{k}}$

式(13)中:u_k为输出层的模糊隶属度;y_k为对应的实际输出值;k为输出层模糊集合的索引,取值范围为1~3,分别代表较差、中等、较好3个类别。

步骤3 模型训练和优化。通过反向传播算法进行调整,使用均方误差MSE作为损失函数,如式(14)所示。

(14)

$\mathrm{M}\mathrm{S}\mathrm{E}=\frac{1}{N}\stackrel{N}{\sum _{n=1}}({y}_{n}-{y}_{\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e},n})$

式(14)中:N为样本总数量;y_n为第n个样本的预测值;y_ture,n为第n个样本的真实值。

通过反复迭代,DFNN 模型能够逐步优化参数,提升预测和评估的准确性。

(15)

$Y=\frac{\stackrel{n}{\sum _{i=1}}{y}_{i}}{n}$

式(15)中:Y为最终得分;y_i为各车道的最终得分;n为该路段车道数量。

该模型中模糊逻辑处理不确定性、模糊信息,并将其作为神经网络输入,使神经网络能够处理更复杂的决策问题。而神经网络的学习能力使模糊逻辑在动态环境下进行实时调整和优化。二者结合的综合评估方法能够适用于高速公路动态可变信息标志布设方案评估。最终得分反映该可变信息标志所处位置对各车道的诱导效果,若各车道评分平均分小于0.5则为较差方案,大于0.5小于0.8为中等方案,大于0.8为较好方案。具体如表1所示。

若最后得分处于较差的范畴,则需要对该可变信息标志布设方案进行改进;若最后得分处于中等的范畴,则该可变信息标志布设方案可以适当调整;若最后得分处于较好的范畴,则该可变信息标志布设方案可以保持不变。

3 评价模型仿真验证

为验证所使用的高速公路可变信息标志布设评价模型的有效性,使用VISSIM交通仿真软件进行仿真验证。鉴于高速公路各段的网络布局存在差异,这些路段的交通流动特性和可能产生的堵塞情形也会有所不同,因此不同布设位置所处路段面对的拥堵场景也会不同。需要根据高速公路主体特点及周边路网衔接结构,考虑高速公路合流分流、交通事故频发、恶劣气候条件等影响,依托VISSIM交通仿真平台,根据相应情况模拟不同的交通场景,模拟真实交通流特征更好地评价高速公路可变信息标志布设方案。在高速公路拥堵场景中,较为常见的是高峰期合流和偶发性的交通事故造成的高速公路通行能力下降^[10],评价模型需要满足在不同场景下的使用情况。因此,以构造合流区拥堵情况为例,使用评价模型对发生拥堵路段中的可变信息标志布设方案进行评价验证。

3.1 场景搭建

以单向4车道、设计速度120 km/h的某高速中某一上行路段为基础,路段区域如图2所示,该地点适合用于合流拥堵场景构建。可变信息标志原布置地点位于交通合流处后方1 km处,在VISSIM中设定其在虚拟位置发布管控策略,并进行不同管控策略下的交通流模拟,使用的管控策略为无管控、仅限速管控和限速加换道协同管控。设计总仿真时长为3 600 s,调整主线车流量输入、匝道入口车流量输入、车辆路路径选择比例、交通量组成等模拟路段发生合流区拥堵状况。合流拥堵场景搭建效果示意图如图3所示。

3.2 合流场景验证

由于所拟定场景发生于可变信息标志布设位置的前方,该标志对前方合流拥堵状况起不到应有的交通管控作用,对无管控、仅限速管控以及限速加换道协同管控3种不同管控策略下的道路情况进行仿真分析。

(1)无管控。在所设立交通量的情况下,交通流合流区发生交通拥堵,即为最内侧车道与匝道入口车辆相汇造成交通拥堵。在无管控措施下,交通拥堵情况迅速蔓延至上游,导致车道车辆堆积且无法自然消散。

(2)仅限速管控。在所设立交通量的情况下,交通流合流区发生交通拥堵,即为最内侧车道与匝道入口车辆相汇造成交通拥堵。由于可变信息标志布设处管控外侧车道车速较快,导致中间车道的行驶车辆难以换道至外侧,其交通状况相对于无管控策略并未起到缓解作用,车道车辆堆积情况仍未解决。

(3)限速加换道协同管控。在所设立交通量的情况下,交通流合流区发生交通拥堵,即为最内侧车道与匝道入口车辆相汇造成交通拥堵。在限速加换道协同管控措施下,可变信息标志布设处管控拥堵车道中的车辆一部分换至中间车道,中间车道车辆一部分换道至最外侧车道,一定程度可以缓解交通运行状况,在发布管控信息处出现了一定程度的拥堵情况。

通过软件中速度限制以及车辆路径选择模拟发布各车道限速诱导策略以及车道换道限速诱导策略,使用VISSIM中数据收集对不同管控措施下评价指标的各车道数据变化进行及时记录具体如表2~表4所示。

在表2~表4中,为便于对各指标数据结果分析,将无管控、仅限速管控以及限速加换道管控分别命名为策略1、策略2以及策略3。 Lane1为最外侧车道, Lane2为中间车道,Lane3为发生合流拥堵车道,Lane4为入口匝道车道。Lane1作为快速车道,在策略1和2下,其交通流量随时间不断增加,速度在达到峰值后趋于稳定,延误较小,占有率基本保持不变;在策略3下交通流量由于管控下速度降低而下降,延误和占有率逐步上升。Lane2在策略1和2下,交通流量由于Lane3上的车辆换道有一定上升同时速度缓慢降低,延误和占有率有一定升高;在策略3下部分车辆换至Lane1,Lane3换至Lane2,使得交通流量先减少再增多,速度降低,延误以及占有率升高。Lane3在策略1和2下,交通流量随时间增多,但由于处于合流车道车速下降,延误与占有率升高;在策略3下,交通流量由于换道不断减少,车速仍会下降,延误与占有率较高。Lane4在策略1和2下,对该车道无影响,交通流量先降低后上升但速度降低,延误与占有率不断上升;在策略3下,由于Lane3车辆的换道,交通流量先下降后上升,速度降低后趋于稳定,延误与占有率较高。

在1~4车道中,策略2发布后的各指标变化与策略1基本保持一致,说明策略2并不能改善该路段的交通状况。而策略3下相较于策略1的各指标变化差异较大,首先考虑在高速公路主线上的1~3车道,3个车道的交通流速度平均降低16.2%,通过该路段的交通流量平均下降7.6%,排队延误时间平均增加212.6%,车辆占有率平均提升31.3%。可以得出可变信息标志发布的管控策略主要作用的高速公路主线部分没能减缓交通拥堵,反而使该路段的整体服务水平出现了下降的结果。在入口匝道中即4车道中,可变信息标志发布策略3后相较于策略1交通流速度降低5.7%,交通流量下降4.1%,排队延误基本不变,车辆占有率提升6.25%。可变信息标志发布的管控策略虽没有直接影响到入口匝道,但由于高速公路主线车道出现变化,入口匝道车道会出现细微变化。为更直观地对比不同管控下指标数据的变化,选取该场景下各车道的速度变化情况观察该可变信息标志布设方案是否起到应有的速度管控效果,具体如图4所示。

由图4可知,在1~4车道中0~10 min交通流速度趋势增长大致相同,此时仿真交通流从输入口逐步通过即将合流拥堵的路段,管控策略并未开始起作用。在10~60 min时,对于无管控策略和仅限速管控策略,合流处(3、4车道)产生拥堵导致两车道速度下降,3车道部分车辆向2车道转移影响2车道的速度,1车道由于速度较快,少量车辆换道至1车道,速度影响较小;而对于限速加换道管控策略,2车道的车辆根据管控策略向1车道变道,导致1车道车辆增多速度降低,2车道由于3车道的车辆换道车速受到影响,3车道由于交通流限速通行缓慢,速度未能有提升,间接影响4车道的速度。

根据上述数据可知,在该可变信息标志位置处发布3种不同交通管控措施对于缓解交通拥堵的缓解较差,未能起到其该有的交通管控作用。将仅限速管控和限速加变道管控措施得到的各数据与无管控措施仿真的评价数据相减,得到新的特征向量,从差值差异中反映该布设位置发布管控策略的效果,将差值特征矩阵输入评价模型中,得到该可变信息标志布设方案对于该路段各车道的诱导效果情况,如图5所示。

该可变信息标志布设方案所有车道中得分的平均分未超过0.5,评价结果属于较差的范畴。根据高速公路可变信息标志布设原则,合流拥堵路段前方5 km处有服务区,可以适当布设信息诱导标志起到缓解合流拥堵的情况,对该路段进行可变信息标志的布设优化。

4 结论

针对高速公路可变信息标志布设存在布设多余、位置不合理等问题,提出了一种基于动态模糊神经网络的评价模型,通过VISSIM仿真软件搭建合流场景进行交通仿真验证,并给出一定的建议。主要结论如下。

(1)在高速公路可变信息标志评价中,使用动态模糊神经网络,并将3种不同交通管控策略进行组合特征作为模型输入,能够更好地反映可变信息标志对路段起到的管控作用。

(2)从车道级的角度对可变信息标志的管控效果进行细化。从各车道的最终评分结果中,可以得到该布设位置对某些车道起到的效果较好,最后将各车道的评价结果进行均值处理,使评价结果更加合理。

(3)根据高速公路常发性的高峰期合流区拥堵情况,在真实路网的前提下构建合流拥堵场景,并基于此交通仿真数据对评价模型进行验证,结果表明模型评价有效,并给出合理建议。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	杨艳群, 樵婷, 郑新夷. 基于DEA的高速公路指路标志有效性分析[J]. 中国公路学报, 2021, 34(3): 1-17.

[2]	Yang Yanqun, Qiao Ting, Zheng Xinyi. Analysis of the effectiveness of highway guide signs based on DEA[J]. China Journal of Highway and Transport, 2021, 34(3): 1-17.

[3]	廖小棱. 高速公路收费站驾驶行为特性分析与标志优化[D]. 济南: 山东大学, 2023.

[4]	Liao Xiaoleng. Analysis of driving behavior characteristics and sign optimization at expressway toll stations[D]. Jinan: Shandong University, 2023.

[5]	李娜. 大型主题公园周边路网影响范围及诱导标志布设方法研究[D]. 重庆: 重庆交通大学, 2021.

[6]	Li Na. Research on influence scope of road network around large theme park and layout method of guidance signs[D]. Chongqing: Chongqing Jiaotong University, 2021.

[7]	Salari M, Kattan L, Gentili M. Optimal roadside units location for path flow reconstruction in a connected vehicle environment[J]. Transportation Research Part C. Emerging Technologies, 2022, 38: 103625.

[8]	朱晓东, 姚翔林, 李思宇. 高速公路路侧感知设备布设方案评估方法研究[J]. 交通工程, 2022, 22(6): 21-27.

[9]	Zhu Xiaodong, Yao Xianglin, Li Siyu. Research on evaluation method of freeway roadside sensing equipment placement schemes[J]. Journal of Transportation Engineering, 2022, 22(6): 21-27.

[10]	孙娓娓. 复杂环境下多种交通检测器最优布设研究[D]. 徐州: 中国矿业大学, 2021.

[11]	Sun Weiwei. Study on optimal location of multiple traffic sensors in complex environment[D]. Xuzhou: China University of Mining and Technology, 2021.

[12]	徐志航, 么新鹏, 徐志刚, 等. 道路交通检测器及其优化布设方法研究综述[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 68-88.

[13]	Xu Zhihang, Me Xinpeng, Xu Zhigang, et al. Review of traffic detectors and their optimal deployment methods[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(10): 68-88.

[14]	陈高铭, 骆研, 黄碧漪, 等. 基于BP神经网络-模糊控制的机器人无标定视觉伺服技术[J]. 科学技术与工程, 2023, 23(26): 11282-11291.

[15]	Chen Gaoming, Luo Yan, Huang Biyi, et al. Uncalibrated visual servo based on BP neural network and fuzzy control for robotic application[J]. Science Technology and Engineering, 2023, 23(26): 11282-11291.

[16]	李洪赭, 闫连山,陈建译, 基于威胁分析的高速铁路信号系统风险评估方法[J]. 西南交通大学学报, 2022, 57(6): 1334-1341.

[17]	Li Hongzhe, Yan Lianshan, Chen Jianyi, et al. Risk assessment method of high-speed railway signal systems based on threat analysis[J]. Journal of Southwest Jiaotong University, 2022, 57(6): 1334-1341.

[18]	贾若, 戴昇宏, 黄霓, 等. 交通拥堵判别方法研究综述[J]. 华南理工大学学报(自然科学版), 2021, 49(4): 124-139.

[19]	Jia Ruo, Dai Shenghong, Huang Ni, et al. Literature review on traffic congestion identification methods[J]. Journal of South China University of Technology(Natural Science Edition), 2021, 49(4): 124-139.