CN103247177A - 大规模路网交通流实时动态预测系统 - Google Patents
大规模路网交通流实时动态预测系统 Download PDFInfo
- Publication number
- CN103247177A CN103247177A CN2013101903792A CN201310190379A CN103247177A CN 103247177 A CN103247177 A CN 103247177A CN 2013101903792 A CN2013101903792 A CN 2013101903792A CN 201310190379 A CN201310190379 A CN 201310190379A CN 103247177 A CN103247177 A CN 103247177A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- real
- prediction
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种大规模路网交通流实时动态预测系统。包括:交通流检测器,用于采集多个路况的交通流参数;数据融合模块用于对交通流参数进行融合;交通流参数预测模块用于根据历史和融合数据对下个时间段的路况进行预测;交通流预测模型学习模块,用于对实测交通流参数和预测信息进行对比,以根据比对结果对预测模型进行调整;交通地理信息平台用于显示道路交通流的当前和预测状态;交通流状态分类评价模块,用于根据多个交通流参数对当前及预测的路况进行评价,以根据评价结果和预测信息对道路进行管控。根据本发明实施例的系统,通过实时采集的交通流参数和道路交通流的时空关系预测路况信息,并根据预测信息对相应的路段或区域进行管控。
Description
技术领域
本发明涉及交通数据的处理及监管技术领域,特别涉及一种大规模路网交通流实时动态预测系统。
背景技术
随着智能交通系统的发展,城市中的交通流检测器的数量在不断增加,可以为道路交通管理者和出行者提供越来越丰富的历史和实时交通流信息。同时利用历史和实时交通信息对未来交通状况进行预测,一方面可以使交通管理者针对即将发生的交通拥堵提前采取有效的管理措施,从而避免大范围拥堵的发生或减轻拥堵程度,另一方面可以使交通出行者有针对性地选择出行路线和出行时间,有效地避开拥堵区域和拥堵时间,提高出行效率,节省出行时间。此外,由于交通网络的特性,交通网络中的不同地点的交通流之间有明显的空间关系,而同一地点的交通流之间具有类似的时间特性,因此,当前地点、临近地点的实时和历史检测数据为当前地点交通流的预测提供了丰富的信息。但是,由于道路交通流的时变性、非线性和高度的不确定性,常规的仅仅依靠数学模型的预测方法和系统无法满足大规模道路网实时交通流特性预测的预测需求。
目前在道路交通流预测中主要存在如下问题:
1)在预测模型的输入中往往仅仅考虑某一种数据类型,例如,当前地点的实时数据,而未能充分挖据交通流时空关系中所隐含的规律。
2)预测模型的实效性不高,在预测一两个地点时具有良好的效率,而在处理大城市的交通网络的成百上千的地点的实时预测方面难以满足交通管理及交通信息服务的实时性要求。
3)缺乏有效的实时动态应用的系统和技术,而对这些问题的解决将为提高智能交通系统管理和服务水平具有重要意义。
发明内容
本发明的目的旨在至少解决上述的技术缺陷之一。
为此,本发明的目的在于提出一种大规模路网交通流实时动态预测系统,包括:多个交通流参数检测器,用于采集表征路况的多个交通流参数;数据融合模块,用于对所述表征路况的多个交通流参数进行融合;交通流参数预测模块,用于根据历史数据和融合数据对下个时间段的路况进行预测以得到预测路况信息;交通流预测模型学习模块,用于对所述表征路况的多个交通流参数和所述预测路况信息进行对比,以根据比对结果对所述预测路况信息进行调整;交通地理信息平台,用于显示道路交通流的当前状况和预测状态;以及交通流状态分类评价模块,用于根据所述表征路况的多个交通流参数对当前时间段的路况进行评价,以根据评价结果和预测路况信息对多个道路进行管控。
本发明的一个实施例中,所述交通流参数预测模块还用于根据历史数据和所述融合数据生成交通流参数预测模型。
本发明的一个实施例中,所述交通参数预测模型的生成通过如下方式:通过移动平面自回归模型和历史数据预测某时刻的第一交通流参数值;通过傅立叶变换的方法和预测地点的交通流参数预测某时刻的第二交通流参数值;通过非参数回归模型,并利用预测地点的实时时间序列数据、预测点同类日期的历史数据、预测点周边地点的时间序列数据得到某时刻的第三交通流参数值;根据所述第一至第三交通流参数值得到所述交通参数预测模型;以及根据所述交通参数预测模型对所述下个时间段的路况进行预测以得到预测路况信息。
本发明的一个实施例中,所述交通流预测模型学习模块具体包括:获得单元,用于根据所述表征路况的多个交通流参数及预测路况信息得到最近k个时刻对应的预测模型的预测误差;计算单元,用于根据所述预测误差,并利用贝叶斯决策的方法计算所述预测模型的权重系数;以及学习单元,用于根据所述预测模型的权重系数进行学习。
本发明的一个实施例中,所述交通流状态分类评价模块还用于根据多个路况的交通流参数和对应的预测路况信息对城市道路网络中的点、段和区域交通状态进行临界值的确定和状态标准的划分,并进行管控。
本发明的一个实施例中,所述大规模路网交通流实时动态预测系统的多个模块间的数据的传输、保存、处理通过多个服务器完成。
本发明的一个实施例中,所述多个服务器包括数据库服务器、计算服务器、GIS服务器和Web服务器。
本发明的一个实施例中,所述交通流参数包括交通流的流量、速度和占有率。
根据本发明实施例的系统,通过实时采集的交通流参数和道路交通流的时空关系预测下一个时间段的路况信息,并根据多个不同路段、区域的路况预测信息对相应的路段或区域进行管控。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的大规模路网交通流实时动态预测系统的结构框图;
图2为根据本发明一个实施例的大规模路网交通流实时动态预测系统的示意图;
图3为根据本发明一个实施例的大规模路网交通流实时动态预测系统的结构示意图;
图4为根据本发明一个实施例的交通流参数预测模块的预测示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
图1为根据本发明一个实施例的大规模路网交通流实时动态预测系统的结构框图。如图1所示,根据本发明实施例的大规模路网交通流实时动态预测系统包括多个参数检测器100、数据融合模块200、交通流参数预测模块300、交通流预测模型学习模块400、交通地理信息平台500和交通流状态分类评价模块600。
多个参数检测器100用于采集多个路况的交通流参数。
数据融合模块200用于对多个路况的交通流参数进行融合。
具体地,数据融合模块200的对各种不同道路断面交通流的多个参数检测器所上传的实时交通流参数进行异常数据修正、错误数据剔除、缺失数据补充,其中,交通流参数包括交通流的流量、速度和占有率。
在本发明的一个实施例中,数据融合模块200利用不同检测点的数据针对每个检测点建立对应该检测点的不同特征日,例如,周一至周日、特殊节假日等的交通流变化曲线图式以及流量、速度、密度(占有率)三参数之间的多相交通流模型,并设置各参数的计数时段,例如,设置为5分钟,利用曲线图式和多相交通流模型对检测设备上传的实时交通流参数进行是否异常数据及错误数据的判断。之后,利用历史数据结合交通流变化曲线图式及多相交通流模型对异常数据进行修正、对错误数据进行剔除,同时对于剔除后造成的缺失数据或上传时的缺失数据利用历史数据进行补充。通过数据融合模块200对数据融合,提高了用于进行预测的数据质量,从而为预测精度的提高奠定良好的数据基础。
交通流参数预测模块300用于根据历史数据和融合数据对下个时间段的路况进行预测以得到预测路况信息。
在本发明的一个实施例中,交通流参数预测模块还用于根据历史数据和融合数据生成交通参数预测模型。
交通流参数预测模块300利用实时采集的交通流参数和历史数据库中提供的历史数据,并考虑交通流时空状态关系,以及综合利用不同时空范围内的交通流参数的实时及历史数据对未来确定时刻的交通流状态进行预测,从而提供预测路况信息,该预测路况信息的交通流参数包括流量、速度、占有率等。如图3所示。利用预测地点的当前某时段内的实时时间序列数据,主要应用移动平均自回归模型根据交通流的时间变化趋势预测未来某时刻的第一交通流参数值利用预测地点的预测时刻的同类日期的近期的历史数据,主要利用傅立叶变换的方法根据预测地点交通流参数的长期发展趋势来预测未来某时刻的第二交通流参数值综合利用预测地点的实时时间序列数据、预测点同类日期的历史数据、预测点周边地点的时间序列数据,主要利用非参数回归模型来预测未来某时刻的第三交通流参数值交通流参数预测模块300根据第一至第三交通流参数值得到交通参数预测模型,该预测模型可通过如下公式表示,其中,α、β和γ为三个加权系数。交通流参数预测模块300根据交通参数预测模型对下个时间段的路况进行预测以得到预测路况信息。
交通流预测模型学习模块400用于对多个路况的交通流参数和预测路况信息进行对比,以根据比对结果对预测路况信息进行调整。
在本发明的一个实施例中,交通流预测模型学习模块400包括获得单元410、计算单元420和学习单元430。
具体地,获得单元410用于根据表征路况的多个交通流参数及预测路况信息得到最近k个时刻对应的预测模型的预测误差。
计算单元420用于根据预测误差,并利用贝叶斯决策的方法计算预测模型的权重系数。
学习单元430用于根据预测模型的权重系数进行学习。
在本发明的一个实施例中,交通流预测模型学习模块400主要是根据表征路况信息的预测的交通流参数和实时采集的交通流参数,并通过对比利用贝叶斯决策的方法对预测模型的参数进行不断的修正,使其更加适应道路交通流的变化并不断提高预测模型的预测精度。交通流预测模型学习模块400的学习过程如下:在系统开始运行时,根据离线分析形成权重系数的初始值。然后针对当前实时采集的交通流参数和预测路况信息,并根据最近k个时刻的交通参数预测模型的预测误差,计算该交通参数预测模型能够进行准确预测的概率,由此利用贝叶斯决策的方法计算出该交通参数预测模型的权重系数,选取预测误差较小的交通参数预测模型进行学习。该交通参数预测模型越倾向于被利用的原则来进行权重系数的更新工作,并且将更新后的权重系数返回交通参数预测模型来改善交通参数预测模型的效果。交通流预测模型学习模块400在整个系统的运行过程中实时运行,不断提高大规模路网交通流实时动态预测的精度。
交通地理信息平台500用于显示道路交通流的当前状况和预测状态。
具体而言,交通地理信息平台500实现对路况预测信息和实时采集的交通流的可视化显示。交通地理信息平台500主要利用基于空间位置的道路交通要素地理编码技术,实现大规模路网交通流实时动态预测系统可视化显示的路网地理空间信息数据的组织,从而实现了空间数据的良好组织,有效的提高了大规模路网交通流动态预测的计算及显示效率。
交通流状态分类评价模块600用于根据多个路况的交通流参数对当前时间段的路况进行评价,以根据评价结果和调整后的预测路况信息对多个道路进行管控。
具体地,交通流状态分类评价模块600根据实时采集的交通流参数和交通流参数预测模块300提供的交通流的路况预测信息进行道路交通网络交通流状态的分类评价工作,并且根据多个路况的交通流参数和对应的预测路况信息对城市道路网络中的点、段和区域交通状态进行临界值的确定和状态标准的划分,并进行管控。
在本发明的一个实施例中,道路监管部门可以根据交通流状态分类评价模块600所反馈的道路状况信息对存在“风险”,即特别拥堵或产生事故的道路即区域事先进行监管或增加交警人员,以提前防止类似事态的发生。而普通用户则可以根据交通流状态分类评价模块600反馈的信息避开相应的拥堵或某一时间段存在“风险”的路段或区域。
在本发明的一个实施例中,大规模路网交通流实时动态预测系统的多个模块间的数据的传输、保存、处理通过多个服务器完成,且该多个服务器包括数据库服务器、计算服务器、GIS服务器和Web服务器。
在本发明的一个实施例中,服务器的连接及使用如下:
数据库服务器:用于(1)从数据融合模块获取数据,转化成满足预测预报系统要求的规范化的基础数据;(2)存储实现预测预报系统各项功能所需要的所有基础、过程以及成果性的交通流特性数据;(3)响应其他三个服务器对交通流特性数据的读取、写入、更新等请求。
计算服务器:用于(1)从数据服务器提取交通流特性基础数据,据此进行交通流预测、路网动态服务水平评价、拥挤评价、交通事件预警等核心功能相关的计算任务,并将计算结果传输到数据服务器进行存储;(2)响应来自Web服务器的针对各项计算任务的逻辑控制指令,按照请求修改各种配置信息,从而改变计算逻辑;(3)响应来自Web服务器的计算任务指令,执行响应的计算任务,并将计算结果传输给Web服务器。
GIS服务器:用于(1)存储支持预测预报系统所有功能表现所需要的北京市路网GIS数据;(2)响应来Web服务器的请求,将请求解析为相应的GIS数据需求和交通流特性数据需求,通过数据服务器获取交通流特性数据,将其与GIS数据进行综合处理,得到可视化信息,并将其传输给Web服务器;(3)响应来自Web服务器的GIS信息修改指令,按照要求修改GIS信息。
Web服务器:用于响应来自网络上其他终端的网页浏览请求,将用户请求解析为对GIS数据、交通流特性数据以及计算功能的需求,分别对其他三台服务器发出请求,并接收相应的返回信息,对其进行综合处理,形成返回给浏览器用户的页面信息。
根据本发明实施例的系统,通过实时采集的交通流参数和道路交通流的时空关系预测下一个时间段的路况信息,并根据多个不同路段、区域的路况预测信息对相应的路段或区域进行管控。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种大规模路网交通流实时动态预测系统,其特征在于,包括:
多个参数检测器,用于采集表征路况的多个交通流参数;
数据融合模块,用于对所述表征路况的多个交通流参数进行融合;
交通流参数预测模块,用于根据历史数据和融合数据对下个时间段的路况进行预测以得到预测路况信息;
交通流预测模型学习模块,用于对所述表征路况的多个交通流参数和所述预测路况信息进行对比,以根据比对结果对所述预测路况信息进行调整;
交通地理信息平台,用于显示道路交通流的当前状况和预测状态;以及
交通流状态分类评价模块,用于根据所述表征路况的多个交通流参数对当前时间段的路况进行评价,以根据评价结果和调整后的预测路况信息对多个道路进行管控。
2.根据权利要求1所述的大规模路网交通流实时动态预测系统,其特征在于,所述交通流参数预测模块还用于根据历史数据和所述融合数据生成交通参数预测模型。
3.根据权利要求2所述的大规模路网交通流实时动态预测系统,其特征在于,所述交通参数预测模型的生成通过如下方式:
通过移动平面自回归模型和历史数据预测某时刻的第一交通流参数值;
通过傅立叶变换的方法和预测地点的交通流参数预测某时刻的第二交通流参数值;
通过非参数回归模型,并利用预测地点的实时时间序列数据、预测点同类日期的历史数据、预测点周边地点的时间序列数据得到某时刻的第三交通流参数值;
根据所述第一至第三交通流参数值得到所述交通参数预测模型;以及
根据所述交通参数预测模型对所述下个时间段的路况进行预测以得到预测路况信息。
4.根据权利要求1所述的大规模路网交通流实时动态预测系统,其特征在于,所述交通流预测模型学习模块具体包括:
获得单元,用于根据所述表征路况的多个交通流参数及预测路况信息得到最近k个时刻对应的预测模型的预测误差;
计算单元,用于根据所述预测误差,并利用贝叶斯决策的方法计算所述预测模型的权重系数;以及
学习单元,用于根据所述预测模型的权重系数进行学习。
5.根据权利要求1所述的大规模路网交通流实时动态预测系统,其特征在于,所述交通流状态分类评价模块还用于根据表征路况的多个交通流参数和对应的预测路况信息对城市道路网络中的点、段和区域交通状态进行临界值的确定和状态标准的划分,并进行管控。
6.根据权利要求1所述的大规模路网交通流实时动态预测系统,其特征在于,所述大规模路网交通流实时动态预测系统的多个模块间的数据的传输、保存、处理通过多个服务器完成。
7.根据权利要求6所述的大规模路网交通流实时动态预测系统,其特征在于,所述多个服务器包括数据库服务器、计算服务器、GIS服务器和Web服务器。
8.根据权利要求1所述的大规模路网交通流实时动态预测系统,其特征在于,所述交通流参数包括车流的流量、速度和占有率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310190379.2A CN103247177B (zh) | 2013-05-21 | 2013-05-21 | 大规模路网交通流实时动态预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310190379.2A CN103247177B (zh) | 2013-05-21 | 2013-05-21 | 大规模路网交通流实时动态预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103247177A true CN103247177A (zh) | 2013-08-14 |
CN103247177B CN103247177B (zh) | 2016-01-20 |
Family
ID=48926674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310190379.2A Active CN103247177B (zh) | 2013-05-21 | 2013-05-21 | 大规模路网交通流实时动态预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103247177B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413263A (zh) * | 2013-08-28 | 2013-11-27 | 北京交通发展研究中心 | 旅行时间指数熵交通运行评价方法 |
CN103489039A (zh) * | 2013-09-12 | 2014-01-01 | 重庆大学 | 具有在线自整定优化能力的高速公路交通流量融合预测方法 |
CN103679300A (zh) * | 2013-12-30 | 2014-03-26 | 北京世纪高通科技有限公司 | 一种时间预测方法及装置 |
CN103699680A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 公交车实时地理信息数据清洗方法及系统 |
CN103956052A (zh) * | 2014-05-13 | 2014-07-30 | 紫光捷通科技股份有限公司 | 一种公路路况的检测方法和系统 |
CN104008646A (zh) * | 2014-06-12 | 2014-08-27 | 招商局重庆交通科研设计院有限公司 | 基于弹性系数的城市道路交通识别方法及系统 |
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
CN105023044A (zh) * | 2015-07-21 | 2015-11-04 | 清华大学 | 基于大量时间序列的交通流因果关系挖掘方法 |
CN105160874A (zh) * | 2015-08-18 | 2015-12-16 | 工业和信息化部电信研究院 | 一种交通信息处理方法和装置 |
CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
CN106846805A (zh) * | 2017-03-06 | 2017-06-13 | 南京多伦科技股份有限公司 | 一种动态路网交通需求预测方法及其系统 |
CN107103753A (zh) * | 2016-02-22 | 2017-08-29 | 财团法人资讯工业策进会 | 交通时间预测系统、交通时间预测方法以及交通模型建立方法 |
CN107591001A (zh) * | 2017-09-07 | 2018-01-16 | 山东大学 | 基于在线标定的快速路交通流数据填补方法及系统 |
CN107730890A (zh) * | 2017-11-09 | 2018-02-23 | 石数字技术成都有限公司 | 一种基于实时场景下车流车速预测的智能交通方法 |
CN108230670A (zh) * | 2016-12-22 | 2018-06-29 | 株式会社日立制作所 | 预测在给定时间段给定地点出现的移动体数的方法和装置 |
CN108399747A (zh) * | 2018-03-07 | 2018-08-14 | 哈尔滨工业大学深圳研究生院 | 基于卡尔曼滤波融合的交通流车辆密度参数估计方法 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN109615860A (zh) * | 2018-12-26 | 2019-04-12 | 银江股份有限公司 | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 |
CN110168520A (zh) * | 2016-12-30 | 2019-08-23 | 同济大学 | 一种智能化道路交通异常检测方法 |
CN110782120A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
CN110852476A (zh) * | 2019-09-29 | 2020-02-28 | 华东理工大学 | 客流预测方法、装置、计算机设备和存储介质 |
CN110969857A (zh) * | 2019-12-27 | 2020-04-07 | 华为技术有限公司 | 一种交通信息处理方法及装置 |
CN111986490A (zh) * | 2020-09-18 | 2020-11-24 | 北京百度网讯科技有限公司 | 路况预测方法、装置、电子设备和存储介质 |
CN112241806A (zh) * | 2020-07-31 | 2021-01-19 | 深圳市综合交通运行指挥中心 | 道路破损概率预测方法、装置终端设备及可读存储介质 |
CN112562319A (zh) * | 2020-11-16 | 2021-03-26 | 中铁第四勘察设计院集团有限公司 | 基于大数据的交通监测方法及设备 |
CN112802331A (zh) * | 2020-12-30 | 2021-05-14 | 青岛中兴智能交通有限公司 | 一种根据停车数据判断城市交通出行规律的系统和方法 |
CN113085592A (zh) * | 2021-04-12 | 2021-07-09 | 中山大学 | 一种氢燃料电池自卸车续驶里程实时预测方法及其系统 |
CN113689699A (zh) * | 2021-08-25 | 2021-11-23 | 浙江数智交院科技股份有限公司 | 一种交通流的预测方法、装置、电子设备及存储介质 |
CN113791410A (zh) * | 2021-08-20 | 2021-12-14 | 北京市公安局公安交通管理局 | 一种基于多传感器信息融合的道路环境综合认知方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107919016B (zh) * | 2017-11-15 | 2020-02-18 | 杭州远眺科技有限公司 | 基于多源检测器数据的交通流参数缺失填补方法 |
CN115486200A (zh) * | 2020-04-22 | 2022-12-16 | 瑞典爱立信有限公司 | 管理通信网络中的节点 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783075A (zh) * | 2010-02-05 | 2010-07-21 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
-
2013
- 2013-05-21 CN CN201310190379.2A patent/CN103247177B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783075A (zh) * | 2010-02-05 | 2010-07-21 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
Non-Patent Citations (2)
Title |
---|
王建等: "基于改进型贝叶斯组合模型的短时交通流量预测", 《东南大学学报(自然科学版)》 * |
韩卫国等: "区域交通流的时空预测与分析", 《公路交通科技》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413263B (zh) * | 2013-08-28 | 2016-03-16 | 北京交通发展研究中心 | 旅行时间指数熵交通运行评价方法 |
CN103413263A (zh) * | 2013-08-28 | 2013-11-27 | 北京交通发展研究中心 | 旅行时间指数熵交通运行评价方法 |
CN103489039A (zh) * | 2013-09-12 | 2014-01-01 | 重庆大学 | 具有在线自整定优化能力的高速公路交通流量融合预测方法 |
CN103679300A (zh) * | 2013-12-30 | 2014-03-26 | 北京世纪高通科技有限公司 | 一种时间预测方法及装置 |
CN103679300B (zh) * | 2013-12-30 | 2017-02-08 | 北京世纪高通科技有限公司 | 一种时间预测方法及装置 |
CN103699680A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 公交车实时地理信息数据清洗方法及系统 |
CN103956052A (zh) * | 2014-05-13 | 2014-07-30 | 紫光捷通科技股份有限公司 | 一种公路路况的检测方法和系统 |
CN103956052B (zh) * | 2014-05-13 | 2016-08-24 | 紫光捷通科技股份有限公司 | 一种公路路况的检测方法和系统 |
CN104008646A (zh) * | 2014-06-12 | 2014-08-27 | 招商局重庆交通科研设计院有限公司 | 基于弹性系数的城市道路交通识别方法及系统 |
CN104008646B (zh) * | 2014-06-12 | 2016-03-23 | 招商局重庆交通科研设计院有限公司 | 基于弹性系数的城市道路交通识别方法及系统 |
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN104064023B (zh) * | 2014-06-18 | 2016-12-07 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
CN104298881B (zh) * | 2014-10-15 | 2017-11-17 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
CN105023044A (zh) * | 2015-07-21 | 2015-11-04 | 清华大学 | 基于大量时间序列的交通流因果关系挖掘方法 |
CN105023044B (zh) * | 2015-07-21 | 2017-10-24 | 清华大学 | 基于大量时间序列的交通流因果关系挖掘方法 |
CN105160874A (zh) * | 2015-08-18 | 2015-12-16 | 工业和信息化部电信研究院 | 一种交通信息处理方法和装置 |
CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
CN107103753A (zh) * | 2016-02-22 | 2017-08-29 | 财团法人资讯工业策进会 | 交通时间预测系统、交通时间预测方法以及交通模型建立方法 |
CN108230670A (zh) * | 2016-12-22 | 2018-06-29 | 株式会社日立制作所 | 预测在给定时间段给定地点出现的移动体数的方法和装置 |
CN110168520A (zh) * | 2016-12-30 | 2019-08-23 | 同济大学 | 一种智能化道路交通异常检测方法 |
CN106846805A (zh) * | 2017-03-06 | 2017-06-13 | 南京多伦科技股份有限公司 | 一种动态路网交通需求预测方法及其系统 |
CN107591001A (zh) * | 2017-09-07 | 2018-01-16 | 山东大学 | 基于在线标定的快速路交通流数据填补方法及系统 |
CN107730890A (zh) * | 2017-11-09 | 2018-02-23 | 石数字技术成都有限公司 | 一种基于实时场景下车流车速预测的智能交通方法 |
CN107730890B (zh) * | 2017-11-09 | 2021-04-20 | 一石数字技术成都有限公司 | 一种基于实时场景下车流车速预测的智能交通方法 |
CN108399747A (zh) * | 2018-03-07 | 2018-08-14 | 哈尔滨工业大学深圳研究生院 | 基于卡尔曼滤波融合的交通流车辆密度参数估计方法 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN109615860A (zh) * | 2018-12-26 | 2019-04-12 | 银江股份有限公司 | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 |
CN109615860B (zh) * | 2018-12-26 | 2020-10-16 | 银江股份有限公司 | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 |
CN110782120A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
CN110782120B (zh) * | 2019-09-12 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
CN110852476A (zh) * | 2019-09-29 | 2020-02-28 | 华东理工大学 | 客流预测方法、装置、计算机设备和存储介质 |
CN110969857A (zh) * | 2019-12-27 | 2020-04-07 | 华为技术有限公司 | 一种交通信息处理方法及装置 |
CN112241806A (zh) * | 2020-07-31 | 2021-01-19 | 深圳市综合交通运行指挥中心 | 道路破损概率预测方法、装置终端设备及可读存储介质 |
CN112241806B (zh) * | 2020-07-31 | 2021-06-22 | 深圳市综合交通运行指挥中心 | 道路破损概率预测方法、装置终端设备及可读存储介质 |
CN111986490A (zh) * | 2020-09-18 | 2020-11-24 | 北京百度网讯科技有限公司 | 路况预测方法、装置、电子设备和存储介质 |
CN112562319A (zh) * | 2020-11-16 | 2021-03-26 | 中铁第四勘察设计院集团有限公司 | 基于大数据的交通监测方法及设备 |
CN112802331A (zh) * | 2020-12-30 | 2021-05-14 | 青岛中兴智能交通有限公司 | 一种根据停车数据判断城市交通出行规律的系统和方法 |
CN113085592A (zh) * | 2021-04-12 | 2021-07-09 | 中山大学 | 一种氢燃料电池自卸车续驶里程实时预测方法及其系统 |
CN113085592B (zh) * | 2021-04-12 | 2024-04-12 | 中山大学 | 一种氢燃料电池自卸车续驶里程实时预测方法及其系统 |
CN113791410A (zh) * | 2021-08-20 | 2021-12-14 | 北京市公安局公安交通管理局 | 一种基于多传感器信息融合的道路环境综合认知方法 |
CN113791410B (zh) * | 2021-08-20 | 2023-10-24 | 北京市公安局公安交通管理局 | 一种基于多传感器信息融合的道路环境综合认知方法 |
CN113689699A (zh) * | 2021-08-25 | 2021-11-23 | 浙江数智交院科技股份有限公司 | 一种交通流的预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103247177B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103247177B (zh) | 大规模路网交通流实时动态预测系统 | |
Mazloumi et al. | An integrated framework to predict bus travel time and its variability using traffic flow data | |
Zhang et al. | Spatial-temporal traffic flow pattern identification and anomaly detection with dictionary-based compression theory in a large-scale urban network | |
Kurzhanskiy et al. | Active traffic management on road networks: a macroscopic approach | |
CN103956050B (zh) | 基于车辆行程数据的道路网运行评价方法 | |
CN113947905B (zh) | 一种交通运行态势感知方法、模块及系统 | |
CN112185124B (zh) | 一种全路网交通状态预测方法及装置 | |
JPH08503317A (ja) | 交通パラメータの予測方法 | |
CN103280110B (zh) | 高速公路旅行时间的预测方法及装置 | |
Lu et al. | Estimating freeway travel time and its reliability using radar sensor data | |
Suhas et al. | A comprehensive review on traffic prediction for intelligent transport system | |
CN103366224A (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
CN110400462A (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
Chepuri et al. | Development of new reliability measure for bus routes using trajectory data | |
Chen | Freeway performance measurement system (PeMS) | |
Chepuri et al. | Travel time reliability analysis on selected bus route of mysore using GPS data | |
Petty et al. | A new methodology for evaluating incident detection algorithms | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
KR102225813B1 (ko) | 복지시설 수요 예측관리 장치 및 방법 | |
Liu et al. | A fuzzy-logic-based system for freeway bottleneck severity diagnosis in a sensor network | |
Dias et al. | From data to action: Exploring AI and IoT-driven solutions for smarter cities | |
Moreira-Matias et al. | An online learning framework for predicting the taxi stand's profitability | |
KR20150072470A (ko) | 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템 | |
Fan et al. | Optimizing location of variable message signs using GPS probe vehicle data | |
Viti et al. | National data warehouse: how the Netherlands is creating a reliable, widespread, accessible data bank for traffic information, monitoring, and road network control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |