CN100570664C - 一种基于聚类来监控交通拥堵状况的系统及其方法 - Google Patents
一种基于聚类来监控交通拥堵状况的系统及其方法 Download PDFInfo
- Publication number
- CN100570664C CN100570664C CNB2008100560991A CN200810056099A CN100570664C CN 100570664 C CN100570664 C CN 100570664C CN B2008100560991 A CNB2008100560991 A CN B2008100560991A CN 200810056099 A CN200810056099 A CN 200810056099A CN 100570664 C CN100570664 C CN 100570664C
- Authority
- CN
- China
- Prior art keywords
- cluster
- piece
- cluster piece
- module
- highway section
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于聚类来监控交通拥堵状况的系统及其方法,其中该系统包括:道路网络建模模块,用于对道路网络建模;聚类块建立模块,用于根据对象的运动状态和它们之间的距离,在路网中形成车辆的聚类块;预测模块,用于预测每个聚类块的分裂时间,并且产生分裂与合并事件;事件处理模块,用于处理聚类块的分裂与合并事件,把彼此距离相近的聚类块合并成密集区域;以及监测模块,用于监测道路网络中的密集区域。
Description
技术领域
本发明涉及移动对象密集区域发现的问题。具体地说,涉及一种用于基于聚类来监控交通拥堵状况的系统及其方法。
背景技术
聚类分析是就对数据对象进行分组,使得同一个组中对象之间具有较高的相似度,而不同组中的对象差别较大。聚类分析构成了基本的数据分析功能,已经广泛的应用在许多应用中,包括图像处理、数据压缩、模式标识以及市场研究。通过聚类可以识别出密集和稀疏的区域,因而发现全局的分布模式。我们把路网上运动的车辆看作移动对象,对这样的移动对象进行聚类分析可以预测城市交通拥堵状况。
已有的移动对象聚类工作假设对象运动在自由空间中,利用对象间的欧几聚类来定义对象的相似度。在现实世界中,对象在空间受限网络中运动,例如,汽车在路网上运动。因此,利用对象间网络距离定义对象的相似度更符合实际要求。这里,网络距离指网络中对象间最短路径距离。
当聚类的目标从静态的空间对象改变到运动在道路网络中的移动对象时,聚类的复杂性将大大增加。一方面路网上的移动对象数量巨大而且它们的位置会随着时间发生连续的改变,使得聚类的结果也可能随着时间、随着移动对象的运动而变化,即使对象很小的位置改变也可能导致完全不同的聚类结果。同时路网上移动对象的运动也异常复杂,使得很难抓住对象的趋势。另一方面传统方法上在计算移动对象之间的相似度时,所采用的方法是直接计算移动对象之间的欧几距离,而在道路网络的情况下,应该考虑使用网络距离来计算移动对象之间的相似度。
发明内容
为了解决上述传统问题,因此本发明的一个目的就是提出了一种用于基于聚类来监控交通拥堵状况的系统及其方法。
在本发明的一个方面中,提出了一种基于聚类来监控交通拥堵状况的系统,该系统包括:道路网络建模模块,用于对道路网络建模;聚类块建立模块,用于根据对象的运动状态和它们之间的距离,在路网中形成车辆的聚类块;预测模块,用于预测每个聚类块的分裂时间,并且产生分裂与合并事件;事件处理模块,用于处理聚类块的分裂与合并事件,把彼此距离相近的聚类块合并成密集区域;以及监测模块,用于监测道路网络中的密集区域。
在这个方面中,其中聚类块建立模块将彼此距离相近并且运动状态相似的对象构成一个个聚类块。
在这个方面中,其中预测模块进一步包括:输入模块,用于输入聚类块;判断模块,用于判断聚类块所在位置,即判断聚类块是在路段末尾还是路段中间;分裂时间获得模块,用于在判断模块判断出聚类块在路段中间的情况下得到分裂时间是聚类块的第一个对象到达路口的时间;计算模块,用于在判断模块判断出聚类块在路段末尾的情况下,计算在聚类块中两个对象相遇的最早时间tm;比较模块,用于把每对邻接对象的最大距离与距离阀值ε相比较以直到tm时刻;更新模块,如果比较模块判断出每对邻接对象的最大距离都没有超过距离阀值ε,则从tm时刻更新对象顺序并将更新后的对象顺序送入计算模块;以及分裂时间计算模块,如果在某个时刻,比较模块判断出每对邻接对象的最大距离超过距离阀值ε,则将超过距离阀值ε的最早时刻记录为聚类块的分裂时间。
在这个方面中,其中处理模块进一步包括:计算模块,用于计算每个聚类块中每个对象到达路段末尾的时间;判断模块,用于判断聚类块中的第一个对象是否到达路段末尾;分组模块,用于当一个聚类块第一个对象到达路段末尾时,把这个聚类块中对象按照对象的方向分组;以及合并模块,用于根据距离阀值ε把每组对象合并到下一路段的聚类块中。
在这个方面中,其中在道路网路建模的成图中,路段对应图中的边,道路交叉口对应图中的结点。
在这个方面中,其中对象是道路网络上运动的车辆。
在这个方面中,其中聚类块的实际位置是边界对象的实际位置。
在这个方面中,其中运动向量是边界直线的斜率。
在这个方面中,其中将两两之间距离足够近的聚类块合并,找到道路网上的密集区域。
在本发明的另一个方面中,提出了一种基于聚类来监控交通拥堵状况的方法,该方法包括:A、对道路网络进行建模;B、根据对象的运动状态和它们之间的距离,在路网中形成车辆的聚类块;C、预测每个聚类块的分裂时间,并且产生分裂与合并事件;D、处理聚类块的分裂与合并事件,把彼此距离相近的聚类块合并成密集区域;以及E、监测道路网络中的密集区域。
在这个方面中,其中在步骤B中将彼此距离相近并且运动状态相似的对象构成一个个聚类块。
在这个方面中,其中步骤C进一步包括:输入聚类块;判断聚类块所在位置,即判断聚类块是在路段末尾还是路段中间;在判断出聚类块在路段中间的情况下得到分裂时间是聚类块的第一个对象到达路口的时间;在判断出聚类块在路段末尾的情况下,计算在聚类块中两个对象相遇的最早时间tm;把每对邻接对象的最大距离与距离阀值ε相比较以直到tm时刻;如果比较出每对邻接对象的最大距离都没有超过距离阀值ε,则从tm时刻更新对象顺序并将更新后的对象顺序送入计算模块;以及如果在某个时刻,比较出每对邻接对象的最大距离超过距离阀值ε,则将超过距离阀值ε的最早时刻记录为聚类块的分裂时间。
在这个方面中,其中步骤D进一步包括:计算每个聚类块中每个对象到达路段末尾的时间;判断聚类块中的第一个对象是否到达路段末尾;当一个聚类块第一个对象到达路段末尾时,把这个聚类块中对象按照对象的方向分组;以及根据距离阀值ε把每组对象合并到下一路段的聚类块中。
在这个方面中,其中在道路网路建模的成图中,路段对应图中的边,道路交叉口对应图中的结点。
在这个方面中,其中对象是道路网络上运动的车辆。
在这个方面中,其中聚类块的实际位置是边界对象的实际位置。
在这个方面中,其中运动向量是边界直线的斜率。
在这个方面中,其中将两两之间距离足够近的聚类块合并,找到道路网上的密集区域。
附图说明
结合随后的附图,从下面的详细说明中可显而易见的得出本发明的上述及其他目的、特征及优点。在附图中:
图1给出了根据本发明的交通拥堵状况监控系统的方框图;
图2给出了根据本发明的交通拥堵状况监控系统的流程图;
图3给出了根据本发明的预测模块预测分裂时间的流程图;
图4给出了根据本发明的预测分裂时间的示例图;
图5给出了根据本发明的预测模块的详细方框图;
图6给出了根据本发明的事件处理模块的流程图;
图7给出了根据本发明的时间处理的示例图;
图8给出了根据本发明的事件处理模块的详细方框图;以及
图9给出了根据本发明的道路网络上分布的移动对象密集区域示例。
具体实施方式
随着GPS,无线通信技术的发展,以及无线设备的广泛应用,研究移动计算环境中的数据管理技术,即移动数据库研究已经成为一个新的方向。移动对象数据库是指对移动对象(如车辆,飞机,移动用户等)及其位置进行管理的数据库。移动对象数据库在许多领域展现了广阔的应用前景。在军事上,移动对象数据库可以回答常规数据库所无法回答的查询;在民用领域,利用移动对象数据库技术可以实现只能运输系统、出租车/警员自动派遣系统,智能社会保障系统以及高智能的物流配送系统。此外,移动对象数据库还在电子商务领域有着广泛的应用前景。移动对象数据库研究主要包括两方面:移动数据库技术研究和移动对象管理研究。本发明即就是将移动对像数据库研究应用于对交通拥堵状况进行监控。
图1是交通拥堵状况监控系统的方框图。在图1中,在实际应用中,移动对象可以是出租车。然而,移动对像也可以是其他别的移动物体。如图1所示,该系统包括:道路网络建模模块,用于对道路网络建模,其中在所建模的道路网路成图中,路段对应图中的边,道路交叉口对应图中的结点,聚类块的实际位置是边界对象的实际位置,并且运动向量是边界直线的斜率;聚类块建立模块,根据车辆的运动状态和它们之间的距离,在路网中形成车辆的聚类块,也就是说,将彼此距离相近并且运动状态相似的对象构成一个个聚类块;预测模块,用于预测每个聚类块的分裂时间,并且产生分裂与合并事件;事件处理模块,处理聚类块的分裂与合并事件,把彼此距离相近的聚类块合并成密集区域;以及监测模块,用于监测道路网络中的密集区域。
该交通拥堵状况监控系统的流程如图2所示。首先,道路网络建模模块对道路网络建模,其中在所建模的道路网路成图中,路段对应图中的边,道路交叉口对应图中的结点,聚类块的实际位置是边界对象的实际位置,并且运动向量是边界直线的斜率;接下来,聚类块建立模块根据车辆的运动状态和它们之间的距离以在路网中形成车辆的聚类块,也就是说,将彼此距离相近并且运动状态相似的对象构成一个个聚类块;预测模块预测每个聚类块的分裂时间并且产生分裂与合并事件;事件处理模块对聚类块的分裂与合并事件进行处理,把彼此距离相近的聚类块合并成密集区域;最后,监测模块监测道路网络中的密集区域。
接下来,对该系统中的预测模块进行详细的说明。
图3和图4分别给出了预测模块预测聚类块分裂时间的流程图和示例图。首先输入CB(即聚类块),判断CB所在位置,即判断CB在路段末尾还是路段中间。具体地说,聚类块分裂发生在两种情况中。第一种情况是当聚类块到达路段末尾的时候(也就是,空间网络中的路口结点)。当聚类块中的移动对象到达交叉路口时,由于它们可能会向不同的方向运动,所以聚类块必须分裂。显然,分裂时间是聚类块的第一个对象到达路口的时间。第二种情况是聚类块位于路段中间,即聚类块的分裂时间是在同一路段上运动的邻接对象间距离超过ε(表示对象间距离阀值)的时候。然而,由于邻接对象随时间不断变化,所以不容易预测分裂时间。因此,在这种情况下,主要任务是动态维护路段上对象的顺序。我们计算在聚类决中两个对象相遇的最早时间,记为tm,然后把每对邻接对象的最大距离与ε相比较直到tm时刻。如果在某些时刻,这个距离超过ε,过程停止,超过ε的最早时刻被记录作为聚类块的分裂时间。否则,我们从tm时刻更新对象顺序,然后重复同一过程,直到一些距离超过ε,或者其中一个对象到达了路段末尾。当一个对象的速度随着路段的变化而变化的时候,我们需要重新预测聚类块的分裂与合并时间。
图5给出了可实现图3流程的预测模块的详细方框图。如图5所示,该预测模块包括:输入模块,用于输入CB(即聚类块);判断模块,用于判断CB所在位置,即判断CB在路段末尾还是路段中间;分裂时间获得模块,用于在判断模块判断出CB在路段中间的情况下得到分裂时间是聚类块的第一个对象到达路口的时间;计算模块,用于在判断模块判断出CB在路段末尾的情况下,计算在聚类块中两个对象相遇的最早时间tm;比较模块,用于把每对邻接对象的最大距离与ε相比较以直到tm时刻;更新模块,如果比较模块判断出每对邻接对象的最大距离都没有超过ε,则从tm时刻更新对象顺序并将更新后的对象顺序送入计算模块;以及分裂时间计算模块,如果在某个时刻,比较模块判断出每对邻接对象的最大距离超过ε,则将超过ε的最早时刻记录为聚类块的分裂时间。
图6和图7分别给出处理模块处理分裂事件的流程图和示例图。如果分裂事件发生在路段上,我们可以简单地把聚类块分成两个,并且预测每一个的分裂与合并事件。如果分裂事件发生在路段末尾,处理过程就要复杂些。一个直接的方法是每次有个对象到达路段末尾时就处理一次分裂。显然,这种方法的代价高。为了减少处理代价,提出组分裂模式。具体地说,计算每个聚类块中每个对象到达路段末尾的时间。此后,判断聚类块中的第一个对象是否到达路段末尾。当一个聚类块第一个对象到达路段末尾时,把这个聚类块中对象按照对象的方向分组。然后,根据距离阀值ε把每组对象合并到下一路段的聚类块中。
聚类块的合并发生在路段上一起运动的邻接聚类块之间(也就是,它们的网络距离不大于ε)。为了预测聚类块的初始合并时刻,我们动态维护每个聚类块的边界对象和他们的有效时间(是聚类块中边界对象维持的时间段),然后在有效时间内把两个聚类块的边界对象的最小距离与ε做比较。边界对象可以在计算分裂时间是通过维护对象顺序来维护。在路段上,合并事件的处理过程类似于分裂事件。我们从事件队列中得到合并事件和时间把多个聚类块合并成一个聚类块,并且计算合并后的聚类块的分裂与合并时间。最终,更新事件队列中相应被影响的聚类块。
图8给出了可实现图6流程的处理模块的详细方框图。如图8所示,该处理模块包括:计算模块,用于计算每个聚类块中每个对象到达路段末尾的时间;判断模块,用于判断聚类块中的第一个对象是否到达路段末尾;分组模块,用于当一个聚类块第一个对象到达路段末尾时,把这个聚类块中对象按照对象的方向分组;合并模块,用于根据距离阀值ε把每组对象合并到下一路段的聚类块中。
除了分裂与合并聚类块,新的对象会进入网络,或者现有对象会离开。对于一个新的对象,我们定位同一路段上的对象进入的所有聚类块,根据聚类块的定义来判断是否一个新的对象能够加入到聚类块中。如果对象能加入,聚类块的分裂与合并事件就被更新。如果不能加入到某个聚类块,就为这个对象创建一个新的聚类块。
图9给出密集区域示例图。根据维护的聚类块,可以依据不同标准构建应用层聚类。我们考虑了三种普通的聚类标准。也就是,基于距离,基于密度,基于K-分割。
对于本领域的普通技术人员来说可显而易见的得出其他优点和修改。因此,具有更广方面的本发明并不局限于这里所示出的并且所描述的具体说明及示例性实施例。因此,在不脱离由随后权利要求及其等价体所定义的一般发明构思的精神和范围的情况下,可对其做出各种修改。
Claims (14)
1、一种基于聚类来监控交通拥堵状况的系统,包括:
道路网络建模模块,用于对道路网络建模;
聚类块建立模块,用于根据对象的运动状态和它们之间的距离,在路网中形成车辆的聚类块;
预测模块,用于预测每个聚类块的分裂时间,并且产生分裂与合并事件;
事件处理模块,用于处理聚类块的分裂与合并事件,把彼此距离相近的聚类块合并成密集区域;以及
监测模块,用于监测道路网络中的密集区域;
其中预测模块进一步包括:
输入模块,用于输入聚类块;
判断模块,用于判断聚类块所在位置,即判断聚类块是在路段末尾还是路段中间;
分裂时间获得模块,用于在判断模块判断出聚类块在路段中间的情况下得到分裂时间是聚类块的第一个对象到达路口的时间;
计算模块,用于在判断模块判断出聚类块在路段末尾的情况下,计算在聚类块中两个对象相遇的最早时间tm;
比较模块,用于把每对邻接对象的最大距离与距离阀值ε相比较以直到tm时刻;
更新模块,如果比较模块判断出每对邻接对象的最大距离都没有超过距离阀值ε,则从tm时刻更新对象顺序并将更新后的对象顺序送入计算模块;以及
分裂时间计算模块,如果在某个时刻,比较模块判断出每对邻接对象的最大距离超过距离阀值ε,则将超过距离阀值ε的最早时刻记录为聚类块的分裂时间;
其中处理模块进一步包括:
计算模块,用于计算每个聚类块中每个对象到达路段末尾的时间;
判断模块,用于判断聚类块中的第一个对象是否到达路段末尾;
分组模块,用于当一个聚类块第一个对象到达路段末尾时,把这个聚类块中对象按照对象的方向分组;以及
合并模块,用于根据距离阀值ε把每组对象合并到下一路段的聚类块中。
2、根据权利要求1的基于聚类来监控交通拥堵状况的系统,其中聚类块建立模块将彼此距离相近并且运动状态相似的对象构成一个个聚类块。
3、根据权利要求1的基于聚类来监控交通拥堵状况的系统,其中在道路网路建模的成图中,路段对应图中的边,道路交叉口对应图中的结点。
4、根据权利要求1的基于聚类来监控交通拥堵状况的系统,其中对象是道路网络上运动的车辆。
5、根据权利要求3的基于聚类来监控交通拥堵状况的系统,其中聚类块的实际位置是边界对象的实际位置。
6、根据权利要求3的基于聚类来监控交通拥堵状况的系统,其中运动向量是边界直线的斜率。
7、根据权利要求1的基于聚类来监控交通拥堵状况的系统,其中将两两之间距离足够近的聚类块合并,找到道路网上的密集区域。
8、一种基于聚类来监控交通拥堵状况的方法,包括:
A、对道路网络进行建模;
B、根据对象的运动状态和它们之间的距离,在路网中形成车辆的聚类块;
C、预测每个聚类块的分裂时间,并且产生分裂与合并事件;
D、处理聚类块的分裂与合并事件,把彼此距离相近的聚类块合并成密集区域;以及
E、监测道路网络中的密集区域;
其中步骤C进一步包括:
输入聚类块;
判断聚类块所在位置,即判断聚类块是在路段末尾还是路段中间;
在判断出聚类块在路段中间的情况下得到分裂时间是聚类块的第一个对象到达路口的时间;
在判断出聚类块在路段末尾的情况下,计算在聚类块中两个对象相遇的最早时间tm;
把每对邻接对象的最大距离与距离阀值ε相比较以直到tm时刻;
如果比较出每对邻接对象的最大距离都没有超过距离阀值ε,则从tm时刻更新对象顺序并将更新后的对象顺序送入计算模块;以及如果在某个时刻,比较出每对邻接对象的最大距离超过距离阀值ε,则将超过距离阀值ε的最早时刻记录为聚类块的分裂时间;
其中步骤D进一步包括:
计算每个聚类块中每个对象到达路段末尾的时间;
判断聚类块中的第一个对象是否到达路段末尾;
当一个聚类块第一个对象到达路段末尾时,把这个聚类块中对象按照对象的方向分组;以及
根据距离阀值ε把每组对象合并到下一路段的聚类块中。
9、根据权利要求8的基于聚类来监控交通拥堵状况的方法,其中在步骤B中将彼此距离相近并且运动状态相似的对象构成一个个聚类块。
10、根据权利要求8的基于聚类来监控交通拥堵状况的方法,其中在道路网路建模的成图中,路段对应图中的边,道路交叉口对应图中的结点。
11、根据权利要求8的基于聚类来监控交通拥堵状况的方法,其中对象是道路网络上运动的车辆。
12、根据权利要求10的基于聚类来监控交通拥堵状况的方法,其中聚类块的实际位置是边界对象的实际位置。
13、根据权利要求10的基于聚类来监控交通拥堵状况的方法,其中运动向量是边界直线的斜率。
14、根据权利要求8的基于聚类来监控交通拥堵状况的方法,其中将两两之间距离足够近的聚类块合并,找到道路网上的密集区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008100560991A CN100570664C (zh) | 2008-01-11 | 2008-01-11 | 一种基于聚类来监控交通拥堵状况的系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008100560991A CN100570664C (zh) | 2008-01-11 | 2008-01-11 | 一种基于聚类来监控交通拥堵状况的系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101226688A CN101226688A (zh) | 2008-07-23 |
CN100570664C true CN100570664C (zh) | 2009-12-16 |
Family
ID=39858659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2008100560991A Expired - Fee Related CN100570664C (zh) | 2008-01-11 | 2008-01-11 | 一种基于聚类来监控交通拥堵状况的系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100570664C (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238728B2 (en) | 2018-04-18 | 2022-02-01 | International Business Machines Corporation | Determining traffic congestion patterns |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814112B (zh) * | 2010-01-11 | 2012-05-23 | 北京世纪高通科技有限公司 | 处理数据的方法和装置 |
CN103065466B (zh) * | 2012-11-19 | 2015-01-21 | 北京世纪高通科技有限公司 | 一种交通异常状况的检测方法和装置 |
CN103853725B (zh) * | 2012-11-29 | 2017-09-08 | 深圳先进技术研究院 | 一种交通轨迹数据降噪方法及系统 |
CN105023428B (zh) * | 2014-04-15 | 2017-09-29 | 高德软件有限公司 | 路况信息评估方法及装置 |
CN104318773B (zh) * | 2014-11-04 | 2016-08-31 | 杭州市综合交通研究中心 | 一种基于交通拥堵时空总量的交通拥堵测定方法 |
CN106445957B (zh) * | 2015-08-10 | 2019-11-12 | 华为技术有限公司 | 数据的可视化方法和装置 |
CN106504534B (zh) * | 2016-11-28 | 2019-06-14 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN107749164B (zh) * | 2017-11-23 | 2020-08-11 | 浪潮软件科技有限公司 | 一种车辆聚集分析方法及装置 |
CN109887279B (zh) * | 2019-02-26 | 2021-01-05 | 北京隆普智能科技有限公司 | 一种交通拥堵预测方法及系统 |
CN113344239B (zh) * | 2021-04-25 | 2022-11-29 | 山东师范大学 | 一种基于两级谱聚类的交通拥堵状况预测方法及系统 |
CN116819025B (zh) * | 2023-07-03 | 2024-01-23 | 中国水利水电科学研究院 | 一种基于物联网的水质监测系统及方法 |
-
2008
- 2008-01-11 CN CNB2008100560991A patent/CN100570664C/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238728B2 (en) | 2018-04-18 | 2022-02-01 | International Business Machines Corporation | Determining traffic congestion patterns |
US11257362B2 (en) | 2018-04-18 | 2022-02-22 | International Business Machines Corporation | Determining traffic congestion patterns |
Also Published As
Publication number | Publication date |
---|---|
CN101226688A (zh) | 2008-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100570664C (zh) | 一种基于聚类来监控交通拥堵状况的系统及其方法 | |
Florin et al. | A survey of vehicular communications for traffic signal optimization | |
Ahmane et al. | Modeling and controlling an isolated urban intersection based on cooperative vehicles | |
Wu et al. | Distributed mutual exclusion algorithms for intersection traffic control | |
Ouallane et al. | Overview of road traffic management solutions based on IoT and AI | |
Gregoire et al. | Capacity-aware backpressure traffic signal control | |
CN106297291B (zh) | 城市快速路交通信息采集系统 | |
Jin et al. | Multi-agent intersection management for connected vehicles using an optimal scheduling approach | |
Chattaraj et al. | An intelligent traffic control system using RFID | |
CN108762277A (zh) | 一种分布式agv调度方法及调度系统 | |
CN105045820A (zh) | 一种处理海量级数据的视频图像信息的方法及数据库系统 | |
CN109150678B (zh) | 分布式信息物理系统智能总装车间拓扑系统 | |
CN101819717A (zh) | 基于交通状态时空模型的路网性能判定方法 | |
Chen et al. | Discovering urban traffic congestion propagation patterns with taxi trajectory data | |
Zhang et al. | Hybrid short-term traffic forecasting architecture and mechanisms for reservation-based Cooperative ITS | |
Ghasemzadeh et al. | Conflict-free scheduling and routing of automated guided vehicles in mesh topologies | |
CN112423383B (zh) | 一种基于定位基站和定位标签在多楼层环境下的定位方法 | |
Magruk | The Internet of things as the future technological trend of the innovative development of logistics | |
Reddy et al. | A futuristic green service computing approach for smart city: A fog layered intelligent service management model for smart transport system | |
CN110370270A (zh) | 一种防止机器人碰撞的方法和装置 | |
CN102541922A (zh) | 一种基于不确定数据集的双色反最邻近查询的方法及装置 | |
Benatia et al. | QR-code enabled product traceability system: a big data perspective | |
Sun et al. | Urban freight management with stochastic time-dependent travel times and application to large-scale transportation networks | |
CN101232644A (zh) | 一种基于分组的移动对象追踪系统和方法 | |
CN102665164B (zh) | 一种移动对象近邻检测的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091216 Termination date: 20130111 |