1.本发明涉及交通协管技术领域，具体涉及一种基于大数据分析的自适应交通协管方法及系统。
背景技术：2.近年来，城市轨道交通发展迅速，客流呈现井喷式增长。为了确保城市轨道交通系统运营管理部门实时掌握线网、线路、区间、车站和列车等多尺度实时客流动态分布情况，在早晚高峰、节假日、车站发生大客流及突发事件等情况下能够提前采取相应处理措施，需对城市轨道交通线网、线路、区间、车站和列车的客流进行实时监察，而由于基础数据的原因，实时客流监察建立在对客流状态的实时估计上。城市轨道交通客流状态实时估计是实时客流监察、客流管控以及列车调度的基础，其在城市轨道交通运输组织过程中起到极其重要的作用。
3.现有技术中在交通协管中主要是靠人为评判进行交通协管，主观性强，且协管时效性差。
技术实现要素：4.本发明的目的在于提供一种基于大数据分析的自适应交通协管方法及系统，以解决现有技术中靠人为评判进行交通协管，主观性强，且协管时效性差的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种基于大数据分析的自适应交通协管方法，包括以下步骤：
7.步骤s1、利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，并对通行线路利用最大通行量进行阈值筛选选取出协管线路，依次在所有通行线路中为每个协管线路筛选出替换线路，并将协管线路及协管线路的所有替换线路构成一个协管整体，所述替换线路与协管线路具有相同的通行效果；
8.步骤s2、将每个协管整体中的协管线路及协管线路上的实时通行量作为单个协管单元，以及将替换线路及替换线路上的实时通行量也作为单个协管单元，统计各个协管单元的实时通行量；
9.步骤s3、设定实时通行量期望值和通信速率最大值，基于所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。
10.作为本发明的一种优选方案，所述利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，包括：
11.依次提取协管区域的区域特征和通行线路的线路特征，并将所述区域特征和所述线路特征输出至通行量经验模型，由通行量经验模型输出所述通行线路的最大通行量；
12.所述通行量经验模型的构建包括：
13.在不同区域内分别选取多条通行线路作为样本线路，并监测多条样本线路的实时
通行量，将样本线路的实时通行量进行均值化处理得到实时通行量平均值作为样本线路的最大通行量；
14.提取样本线路的线路特征和样本线路所属区域的区域特征，将线路特征和区域特征作为bp神经网络的输入项，以及将样本线路的最大通行量作为bp神经网络的输出项；
15.利用bp神经网络在所述输入项和所述输出项中进行卷积训练得到表征线路特征和区域特征与最大通行量映射关系的通行量经验模型；
16.所述通行量经验模型的函数表达式为：
17.t＝bp(s,p)；
18.式中，t为最大通行量的表征字符，s为线路特征的表征字符，p为区域特征的表征字符，bp为bp神经网络的表征字符。
19.作为本发明的一种优选方案，所述对通行线路利用最大通行量进行阈值筛选选取出协管线路，包括：
20.将每个通行线路的最大通行量与通行量阈值进行比较，其中，
21.当通行线路的最大通行量大于或等于通行量阈值，则将通行线路标记为协管线路；
22.当通行线路的最大通行量小于通行量阈值，则将通行线路标记为非协管线路。
23.作为本发明的一种优选方案，所述将协管线路及协管线路的所有替换线路构成一个协管整体，包括：
24.依次将协管线路及协管线路的所有替换线路构成一个协管整体，并比较所有协管整体间的包含关系，其中，
25.当任意两个协管整体之间存在包含关系，则将两个协管整体中被包含的协管整体进行剔除；
26.当任意两个协管整体之间不存在包含关系，则将两个协管整体中均进行保留。
27.作为本发明的一种优选方案，所述基于所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，包括：
28.基于协管单元的实时通行量确定协管单元的实时协管角色，所述协管单元的实时协管角色包括实时通行量提升方与实时通行量减缓方，其中，
29.当协管单元的实时通行量小于实时通行量极限小值，则将所述协管单元作为实时通行量提升方，并由实时通行量提升方确定出实时提升需求，以供实时通行量减缓方进行协管监听；
30.当协管单元的实时通行量大于或等于实时通行量极限小值，则将所述协管单元作为实时通行量减缓方，并由实时通行量减缓方确定出实时需求供给，以参与实时通行量提升方的提升需求竞价；
31.将实时通行量提升方的实时提升需求与所有实时通行量减缓方的实时需求供给进行匹配，并将与实时提升需求最佳匹配的所述实时需求供给对应的实时通行量减缓方和实时通行量提升方进行通行量的实时交易更新，以实现实时平衡各个通行线路的通行量，所述实时提升需求是对实时通行量提升方中待调整通行量的实时描述。
32.作为本发明的一种优选方案，所述由实时通行量提升方确定出实时提升需求，包
括：
33.将实时通行量极限小值与实时时间戳处实时通行量提升方的实时通行量的差值作为需求量极限小值；
34.将实时通行量期望值与实时时间戳处实时通行量提升方的实时通行量的差值作为需求量极限大值；
35.将所述需求量极限大值和需求量极限小值组合构成所述实时提升需求。
36.作为本发明的一种优选方案，所述由实时通行量减缓方确定出实时需求供给，包括：
37.将实时时间戳处实时通行量减缓方的实时通行量与实时通行量极限小值的差值作为供给量极限大值，再将所述供给量极限大值作为所述实时需求供给。
38.作为本发明的一种优选方案，所述实时通行量提升方的实时提升需求与所有实时通行量减缓方的实时需求供给进行匹配，包括：
39.将每个实时通行量减缓方的实时需求供给中供给量极限大值与实时通行量提升方的实时需求资源中需求量极限大值的差值进行比较，并将最大差值对应的实时通行量减缓方作为实时通行量提升方的最佳匹配方；
40.将所述需求量极限小值作为调整通行量，并在实时通行量提升方中按调整通行量选取出待行驶入实时通行量提升方中的通行车辆指引至作为最佳匹配方的实时通行量减缓方中，以去中心化的方式实时平衡实时通行量提升方和实时通行量减缓方中实时通行量来减少通行耗费时长。
41.作为本发明的一种优选方案，所述实时通行量由预先建立的实时通行量预测模型进行输出，所述实时通行量预测模型的建立包括：
42.监测协管区域中每个通行线路的实时通行量，并记录得到一组实时通行量序列，将实时通行量序列投入至lstm神经网络进行网络训练得到表征时序时间戳和实时通行量映射关系的实时通行量预测模型。
43.作为本发明的一种优选方案，本发明提供了一种根据所述的基于大数据分析的自适应交通协管方法的协管系统，包括：
44.协管确定单元，利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，并对通行线路利用最大通行量进行阈值筛选选取出协管线路，依次在所有通行线路中为每个协管线路筛选出替换线路，并将协管线路及协管线路的所有替换线路构成一个协管整体；
45.通行量统计单元，将每个协管整体中的协管线路及协管线路上的实时通行量作为单个协管单元，以及将替换线路及替换线路上的实时通行量也作为单个协管单元，统计各个协管单元的实时通行量；
46.自适应调度单元，设定实时通行量期望值和通信速率最大值，基于所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。
47.本发明与现有技术相比较具有如下有益效果：
48.本发明利用通行量经验模型在协管区域筛选选取出协管线路，将协管线路及协管线路的所有替换线路构成一个协管整体，设定实时通行量期望值和通信速率最大值，基于
所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。
附图说明
49.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
50.图1为本发明实施例提供的自适应交通协管方法流程图；
51.图2为本发明实施例提供的协管系统结构框图。
52.图中的标号分别表示如下：
53.1-协管确定单元；2-通行量统计单元；3-自适应调度单元。
具体实施方式
54.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.如图1所示，本发明提供了一种基于大数据分析的自适应交通协管方法，包括以下步骤：
56.步骤s1、利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，并对通行线路利用最大通行量进行阈值筛选选取出协管线路，依次在所有通行线路中为每个协管线路筛选出替换线路，并将协管线路及协管线路的所有替换线路构成一个协管整体，替换线路与协管线路具有相同的通行效果，即替换线路能够和协管线路一样达到出行人员的出行期望；
57.线路特征包括线路长度、线路宽度、线路连通区域、线路路面布局等，区域特征包括区域常驻人口特征、区域交通地位特征、区域出行人口特征、区域内公共机构分布特征等，在实际使用中可进行特征增删。
58.利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，包括：
59.依次提取协管区域的区域特征和通行线路的线路特征，并将区域特征和线路特征输出至通行量经验模型，由通行量经验模型输出通行线路的最大通行量；
60.通行量经验模型的构建包括：
61.在不同区域内分别选取多条通行线路作为样本线路，并监测多条样本线路的实时通行量，将样本线路的实时通行量进行均值化处理得到实时通行量平均值作为样本线路的最大通行量；
62.提取样本线路的线路特征和样本线路所属区域的区域特征，将线路特征和区域特征作为bp神经网络的输入项，以及将样本线路的最大通行量作为bp神经网络的输出项；
63.利用bp神经网络在输入项和输出项中进行卷积训练得到表征线路特征和区域特征与最大通行量映射关系的通行量经验模型；
64.通行量经验模型的函数表达式为：
65.t＝bp(s,p)；
66.式中，t为最大通行量的表征字符，s为线路特征的表征字符，p为区域特征的表征字符，bp为bp神经网络的表征字符。
67.对通行线路利用最大通行量进行阈值筛选选取出协管线路，包括：
68.将每个通行线路的最大通行量与通行量阈值进行比较，其中，
69.当通行线路的最大通行量大于或等于通行量阈值，则将通行线路标记为协管线路；
70.当通行线路的最大通行量小于通行量阈值，则将通行线路标记为非协管线路。
71.利用通行量经验模型进行通行车辆的通行量的经验预测，从而能够了解到协管区域中需要进行协管干预的协管线路，若通行线路的实时通行量越高，则通行线路越易出现通行拥堵，更需要进行协管干预进行通行疏导以保证通行畅通，因此将实时通行量大于或等于通行量阈值的通行线路作为协管线路，即将易出现通行拥堵的通行线路作为协管线路进行协管干预。
72.将协管线路及协管线路的所有替换线路构成一个协管整体，包括：
73.依次将协管线路及协管线路的所有替换线路构成一个协管整体，并比较所有协管整体间的包含关系，其中，
74.当任意两个协管整体之间存在包含关系，则将两个协管整体中被包含的协管整体进行剔除；
75.当任意两个协管整体之间不存在包含关系，则将两个协管整体中均进行保留。
76.步骤s2、将每个协管整体中的协管线路及协管线路上的实时通行量作为单个协管单元，以及将替换线路及替换线路上的实时通行量也作为单个协管单元，统计各个协管单元的实时通行量；
77.步骤s3、设定实时通行量期望值和通信速率最大值，基于实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。
78.基于实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，包括：
79.基于协管单元的实时通行量确定协管单元的实时协管角色，协管单元的实时协管角色包括实时通行量提升方与实时通行量减缓方，其中，
80.当协管单元的实时通行量小于实时通行量极限小值，则将协管单元作为实时通行量提升方，并由实时通行量提升方确定出实时提升需求，以供实时通行量减缓方进行协管监听；
81.当协管单元的实时通行量大于或等于实时通行量极限小值，则将协管单元作为实时通行量减缓方，并由实时通行量减缓方确定出实时需求供给，以参与实时通行量提升方的提升需求竞价；
82.将实时通行量提升方的实时提升需求与所有实时通行量减缓方的实时需求供给进行匹配，并将与实时提升需求最佳匹配的实时需求供给对应的实时通行量减缓方和实时通行量提升方进行通行量的实时交易更新，以实现实时平衡各个通行线路的通行量，实时
提升需求是对实时通行量提升方中待调整通行量的实时描述。
83.由实时通行量提升方确定出实时提升需求，包括：
84.将实时通行量极限小值与实时时间戳处实时通行量提升方的实时通行量的差值作为需求量极限小值；
85.将实时通行量期望值与实时时间戳处实时通行量提升方的实时通行量的差值作为需求量极限大值；
86.将需求量极限大值和需求量极限小值组合构成实时提升需求。
87.由实时通行量减缓方确定出实时需求供给，包括：
88.将实时时间戳处实时通行量减缓方的实时通行量与实时通行量极限小值的差值作为供给量极限大值，再将供给量极限大值作为实时需求供给。
89.实时通行量提升方的实时提升需求与所有实时通行量减缓方的实时需求供给进行匹配，包括：
90.将每个实时通行量减缓方的实时需求供给中供给量极限大值与实时通行量提升方的实时需求资源中需求量极限大值的差值进行比较，并将最大差值对应的实时通行量减缓方作为实时通行量提升方的最佳匹配方；
91.将需求量极限小值作为调整通行量，并在实时通行量提升方中按调整通行量选取出待行驶入实时通行量提升方中的通行车辆指引至作为最佳匹配方的实时通行量减缓方中，以去中心化的方式实时平衡实时通行量提升方和实时通行量减缓方中实时通行量来减少通行耗费时长。
92.本实施例提供的去中心化的通行线路的实时通行量协管干预，利用通行线路的实时通行量量化通行线路的实时通行压力，根据位于一个协管整体的多个通行线路的实时通行压力进行通行车辆的指引转移，实时通行压力高的通行线路进行压力释放，即实时通行量高的通行线路处的通行车辆分配至与实时通行量高的通行线路具有相同通行效果且实时通行量低的通行线路处，从而进行同一通行效果的多个通行线路进行实时通行量的均衡化，而且如此可避免出现通行中心化的问题，即避免通行车辆扎堆导致某个通行线路拥堵的中心化现象，实现通行协管。
93.实时通行量由预先建立的实时通行量预测模型进行输出，实时通行量预测模型的建立包括：
94.监测协管区域中每个通行线路的实时通行量，并记录得到一组实时通行量序列，将实时通行量序列投入至lstm神经网络进行网络训练得到表征时序时间戳和实时通行量映射关系的实时通行量预测模型，提前预测，预先进行车辆调度，造成通行线路在协管干预下保持通畅运行。
95.如图2所示，基于上述自适应交通协管方法，本发明提供了一种协管系统，包括：
96.协管确定单元1，利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，并对通行线路利用最大通行量进行阈值筛选选取出协管线路，依次在所有通行线路中为每个协管线路筛选出替换线路，并将协管线路及协管线路的所有替换线路构成一个协管整体；
97.通行量统计单元2，将每个协管整体中的协管线路及协管线路上的实时通行量作为单个协管单元，以及将替换线路及替换线路上的实时通行量也作为单个协管单元，统计
各个协管单元的实时通行量；
98.自适应调度单元3，设定实时通行量期望值和通信速率最大值，基于实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。
99.本发明利用通行量经验模型在协管区域筛选选取出协管线路，将协管线路及协管线路的所有替换线路构成一个协管整体，设定实时通行量期望值和通信速率最大值，基于实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。
100.以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。
技术特征：1.一种基于大数据分析的自适应交通协管方法，其特征在于，包括以下步骤：步骤s1、利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，并对通行线路利用最大通行量进行阈值筛选选取出协管线路，依次在所有通行线路中为每个协管线路筛选出替换线路，并将协管线路及协管线路的所有替换线路构成一个协管整体，所述替换线路与协管线路具有相同的通行效果；步骤s2、将每个协管整体中的协管线路及协管线路上的实时通行量作为单个协管单元，以及将替换线路及替换线路上的实时通行量也作为单个协管单元，统计各个协管单元的实时通行量；步骤s3、设定实时通行量期望值和通信速率最大值，基于所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。2.根据权利要求1所述的一种基于大数据分析的自适应交通协管方法，其特征在于：所述利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，包括：依次提取协管区域的区域特征和通行线路的线路特征，并将所述区域特征和所述线路特征输出至通行量经验模型，由通行量经验模型输出所述通行线路的最大通行量；所述通行量经验模型的构建包括：在不同区域内分别选取多条通行线路作为样本线路，并监测多条样本线路的实时通行量，将样本线路的实时通行量进行均值化处理得到实时通行量平均值作为样本线路的最大通行量；提取样本线路的线路特征和样本线路所属区域的区域特征，将线路特征和区域特征作为bp神经网络的输入项，以及将样本线路的最大通行量作为bp神经网络的输出项；利用bp神经网络在所述输入项和所述输出项中进行卷积训练得到表征线路特征和区域特征与最大通行量映射关系的通行量经验模型；所述通行量经验模型的函数表达式为：t＝bp(s,p)；式中，t为最大通行量的表征字符，s为线路特征的表征字符，p为区域特征的表征字符，bp为bp神经网络的表征字符。3.根据权利要求2所述的一种基于大数据分析的自适应交通协管方法，其特征在于：所述对通行线路利用最大通行量进行阈值筛选选取出协管线路，包括：将每个通行线路的最大通行量与通行量阈值进行比较，其中，当通行线路的最大通行量大于或等于通行量阈值，则将通行线路标记为协管线路；当通行线路的最大通行量小于通行量阈值，则将通行线路标记为非协管线路。4.根据权利要求3所述的一种基于大数据分析的自适应交通协管方法，其特征在于：所述将协管线路及协管线路的所有替换线路构成一个协管整体，包括：依次将协管线路及协管线路的所有替换线路构成一个协管整体，并比较所有协管整体间的包含关系，其中，当任意两个协管整体之间存在包含关系，则将两个协管整体中被包含的协管整体进行剔除；当任意两个协管整体之间不存在包含关系，则将两个协管整体中均进行保留。
5.根据权利要求4所述的一种基于大数据分析的自适应交通协管方法，其特征在于：所述基于所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，包括：基于协管单元的实时通行量确定协管单元的实时协管角色，所述协管单元的实时协管角色包括实时通行量提升方与实时通行量减缓方，其中，当协管单元的实时通行量小于实时通行量极限小值，则将所述协管单元作为实时通行量提升方，并由实时通行量提升方确定出实时提升需求，以供实时通行量减缓方进行协管监听；当协管单元的实时通行量大于或等于实时通行量极限小值，则将所述协管单元作为实时通行量减缓方，并由实时通行量减缓方确定出实时需求供给，以参与实时通行量提升方的提升需求竞价；将实时通行量提升方的实时提升需求与所有实时通行量减缓方的实时需求供给进行匹配，并将与实时提升需求最佳匹配的所述实时需求供给对应的实时通行量减缓方和实时通行量提升方进行通行量的实时交易更新，以实现实时平衡各个通行线路的通行量，所述实时提升需求是对实时通行量提升方中待调整通行量的实时描述。6.根据权利要求5所述的一种基于大数据分析的自适应交通协管方法，其特征在于：所述由实时通行量提升方确定出实时提升需求，包括：将实时通行量极限小值与实时时间戳处实时通行量提升方的实时通行量的差值作为需求量极限小值；将实时通行量期望值与实时时间戳处实时通行量提升方的实时通行量的差值作为需求量极限大值；将所述需求量极限大值和需求量极限小值组合构成所述实时提升需求。7.根据权利要求6所述的一种基于大数据分析的自适应交通协管方法，其特征在于，所述由实时通行量减缓方确定出实时需求供给，包括：将实时时间戳处实时通行量减缓方的实时通行量与实时通行量极限小值的差值作为供给量极限大值，再将所述供给量极限大值作为所述实时需求供给。8.根据权利要求7所述的一种基于大数据分析的自适应交通协管方法，其特征在于，所述实时通行量提升方的实时提升需求与所有实时通行量减缓方的实时需求供给进行匹配，包括：将每个实时通行量减缓方的实时需求供给中供给量极限大值与实时通行量提升方的实时需求资源中需求量极限大值的差值进行比较，并将最大差值对应的实时通行量减缓方作为实时通行量提升方的最佳匹配方；将所述需求量极限小值作为调整通行量，并在实时通行量提升方中按调整通行量选取出待行驶入实时通行量提升方中的通行车辆指引至作为最佳匹配方的实时通行量减缓方中，以去中心化的方式实时平衡实时通行量提升方和实时通行量减缓方中实时通行量来减少通行耗费时长。9.根据权利要求8所述的一种基于大数据分析的自适应交通协管方法，其特征在于，所述实时通行量由预先建立的实时通行量预测模型进行输出，所述实时通行量预测模型的建立包括：
监测协管区域中每个通行线路的实时通行量，并记录得到一组实时通行量序列，将实时通行量序列投入至lstm神经网络进行网络训练得到表征时序时间戳和实时通行量映射关系的实时通行量预测模型。10.一种根据权利要求1-9任一项所述的基于大数据分析的自适应交通协管方法的协管系统，其特征在于，包括：协管确定单元，利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，并对通行线路利用最大通行量进行阈值筛选选取出协管线路，依次在所有通行线路中为每个协管线路筛选出替换线路，并将协管线路及协管线路的所有替换线路构成一个协管整体；通行量统计单元，将每个协管整体中的协管线路及协管线路上的实时通行量作为单个协管单元，以及将替换线路及替换线路上的实时通行量也作为单个协管单元，统计各个协管单元的实时通行量；自适应调度单元，设定实时通行量期望值和通信速率最大值，基于所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。
技术总结本发明公开了一种基于大数据分析的自适应交通协管方法及系统，包括以下步骤：利用通行量经验模型在协管区域预测出每个通行线路的最大通行量，并对通行线路利用最大通行量进行阈值筛选选取出协管线路，依次在所有通行线路中为每个协管线路筛选出替换线路，并将协管线路及协管线路的所有替换线路构成一个协管整体；设定实时通行量期望值和通信速率最大值，基于所述实时通行量期望值和实时通行量极限小值以及实时通行量对每个协管整体中各个协管单元进行通行车辆的实时指挥调度。本发明利用通行量经验模型在协管区域筛选选取出协管线路，对每个协管整体中各个协管单元进行通行车辆的实时指挥调度，以实现自适应均衡各个协管单元的通行压力。协管单元的通行压力。协管单元的通行压力。
技术研发人员：杨永 魏益民 刘昕林 韩勇
受保护的技术使用者：宝鸡市交通信息工程研究所
技术研发日：2022.07.15
技术公布日：2022/11/1
