CN101763729A - 路况数据特征值提取的方法和装置 - Google Patents
路况数据特征值提取的方法和装置 Download PDFInfo
- Publication number
- CN101763729A CN101763729A CN 200910244110 CN200910244110A CN101763729A CN 101763729 A CN101763729 A CN 101763729A CN 200910244110 CN200910244110 CN 200910244110 CN 200910244110 A CN200910244110 A CN 200910244110A CN 101763729 A CN101763729 A CN 101763729A
- Authority
- CN
- China
- Prior art keywords
- road
- value
- condition data
- cluster
- road speed
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Abstract
本发明公开了一种路况数据特征值提取的方法和装置,涉及智能交通系统应用领域,以解决于ATIS不能实现路况预测以警示出行者,导致一些交通拥堵点疏散不及时的问题。本发明提供的技术方案包括:获取最近的至少三个月的历史路况数据;根据所述历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;对同一标识的道路车速进行聚类运算;提取聚类运算后符合条件的类的道路车速均值,将所述道路车速均值作为路况数据特征值输出,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数。本发明实施例提供的技术方案,适用于智能交通领域,如ATIS等。
Description
技术领域
本发明涉及智能交通系统应用领域,尤其涉及一种路况数据特征值提取的方法和装置。
背景技术
先进交通信息服务系统(Advanced Traffic Information System,简称ATIS)是在完善的信息网络基础上,通过装备在道路上、车上、换乘站上、停车场上以及气象中心的传感器和传输设备,获得各类交通信息并进行综合处理,实时向社会提供全面、准确的道路交通拥堵信息。
在实现本发明过程中,发明人发现,ATIS的数据源是实时获取的,ATIS只能反馈出实时的路况信息,不能实现路况的预测以警示出行者,导致一些交通拥堵点疏散不及时,因此,如何使得ATIS能够对路况进行预测是一个急需解决的问题。
发明内容
本发明的实施例提供一种路况数据特征值提取的方法和装置,以解决由于ATIS不能实现路况预测以警示出行者,导致一些交通拥堵点疏散不及时的问题。
为达到上述目的,本发明的实施例采用如下技术方案:
一种路况数据特征值提取的方法,包括:
获取最近的至少三个月的历史路况数据;根据所述历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;对同一标识的道路车速进行聚类运算;提取聚类运算后符合条件的类的道路车速均值,将所述道路车速均值作为路况数据特征值输出,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数。
一种路况数据特征值提取装置,包括:
获取单元,用于获取最近的至少三个月的历史路况数据;
整理单元,根据所述获取单元获取的历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;
聚类单元,用于对所述整理单元整理得到的同一标识的道路车速进行聚类运算;
提取单元,用于提取所述聚类单元聚类运算后符合条件的类的道路车速均值,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数;
输出单元,用于将所述提取单元提取的道路车速均值作为路况数据特征值输出。
本发明实施例提供的路况数据特征值提取的方法和装置,通过对道路车速进行聚类,将符合条件的类的道路车速均值作为路况数据特征值输出,根据所述路况数据特征值,ATIS可以得到某一区域的交通拥堵情况的变化规律,从而实现对路况的预测,解决了现有技术中由于ATIS不能实现路况预测以警示出行者,导致一些交通拥堵点疏散不及时的问题。
附图说明
图1为本发明实施例提供的路况数据特征值提取的方法流程图;
图2为本发明另一个实施例提供的路况数据特征值提取的方法流程图;
图3为图2所示的发明实施例提供的路况数据特征值提取的方法流程图中步骤202的流程图;
图4为图2所示的发明实施例提供的路况数据特征值提取的方法流程图中步骤203的流程图一;
图5为图4所示的发明实施例提供的路况数据特征值提取的方法流程图中步骤2032的流程图;
图6为图2所示的发明实施例提供的路况数据特征值提取的方法流程图中步骤203的流程图二;
图7为图2所示的发明实施例提供的路况数据特征值提取的方法流程图中步骤204的流程图;
图8为本发明实施例提供的路况数据特征值提取的装置结构示意图;
图9为图8所示的发明实施例提供的路况数据特征值提取的装置中聚类单元的结构示意图一;
图10为图8所示的发明实施例提供的路况数据特征值提取的装置中聚类单元的结构示意图二;
图11为图5所示的发明实施例提供的路况数据特征值提取的装置中提取单元的结构示意图。
具体实施方式
为了解决现有技术中由于ATIS不能实现路况预测以警示出行者,导致一些交通拥堵点疏散不及时的问题,本发明实施例提供一种路况数据特征值提取的方法和装置。
如图1所示,本发明实施例提供的路况数据特征值提取的方法,包括:
步骤101,获取最近的至少三个月的历史路况数据;
步骤102,根据所述历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;
在本实施例中,所述固有特征是与所述道路车速对应的道路名、星期特征日和时间窗。
步骤103,对同一标识的道路车速进行聚类运算;
在本实施例中,所述同一标识的道路车速是指同一道路、同一星期特征日和同一时间窗下的道路车速。
步骤104,提取聚类运算后符合条件的类的道路车速均值,将所述道路车速均值作为路况数据特征值输出,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数。
本发明实施例提供的路况数据特征值提取的方法,通过对道路车速进行聚类,将符合条件的类的道路车速均值作为路况数据特征值输出,根据所述路况数据特征值,ATIS可以得到某一区域的交通拥堵情况的变化规律,从而实现对路况的预测,解决了现有技术中由于ATIS不能实现路况预测以警示出行者,导致一些交通拥堵点疏散不及时的问题。
为了使本领域技术人员能够更清楚地理解本发明实施例提供的技术方案,下面通过具体的实施例,对本发明实施例提供的路况数据特征值提取的方法进行详细说明。
如图2所示,本发明另一个实施例提供的路况数据特征值提取的方法,包括:
步骤201,获取最近的至少三个月的历史路况数据;
步骤202,根据所述历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;
在步骤202中,所述固有特征包括星期特征日、道路名和时间窗。所述星期特征日的取值包括周一、周二、周三、周四、周五、周六和周日。所述道路的取值包括城市的主要道路,各条道路通过道路名进行区分,如北京市主干线所有道路单元集合,西二环路、学院路等。所述时间窗是通过对00:00-23:59每隔一预设时间进行分界得到的,如每个5分钟为分界得到的时间窗集合,08:00、08:05、08:10、08:15等。
值得说明的是,不同的星期特征日下包含有相同的时间窗集合。
在本实施例中,如图3所示,所述步骤202包括以下步骤:
步骤2021,遍历历史路况数据中的道路集合,按照星期特征日读取最近的至少三个月的历史路况数据;
步骤2022,将所述历史路况数据中同一道路、同一星期特征日的道路车速保存在数据文件中,所述数据文件以道路名为名;所述数据文件可以是表格形式,如:2009年10月到2009年12月的学院路周一的道路车速,可通过表1表示。
表1
在表1中A-H表示为道路车速值。
步骤2023,将相同星期特征日下的数据文件存放于文件夹,所述文件夹以星期特征日为名。
步骤203,对同一标识的道路车速进行聚类运算;
在本实施例中,所述步骤203,如图4所示,包括:
步骤2031,根据整理后的历史路况数据,对同一道路、同一星期特征日、同一时间窗下不同日期的道路车速进行排序并生成一个车速数据集;
步骤2032,根据预设的K值将所述车速数据集聚类为K类。
在本实施例中,所述步骤2042,如图5所示,包括:
步骤301,根据预设的K值将所述车速数据集分为K类,每个类之间的样本数量差的绝对值最大为1;根据经验归纳,所述K值通常取6。
步骤302,记录每个类之间的原始边界点,计算每个类的道路车速均值作为每个类的原始中心点;
步骤303,根据所述原始中心点和所述原始边界点,进行聚类,形成最终中心点和最终边界点,所述最终中心点为每个类的道路车速均值,该道路车速均值与所属类的第一个道路车速之间的差的绝对值等于所述道路车速均值与所属类的最后一个道路车速的差的绝对值;
步骤304,根据所述最终中心点和最终边界点,计算平方误差。
在本实施例中,所述平方误差可以通过公式 得到。
其中Mm表示第m类的最后一个元素的下标号,Lm表示第m类的第一个元素的下标号。xm表示第m类的最终中心点。
值得说明的是,所述平方误差的计算并不仅限于上述的公式,此处不一一赘述。
为了使得聚类更准确,所述步骤2042之后,如图6所示,还包括:
步骤2033,对所述预设的K值重新赋值以生成新的K值,将所述新的K值替换预设的K值,进行聚类,并计算平方误差,直到根据所述新的K值计算出的平方误差为根据所述预设的K值计算出的平方误差的50%为止。
在本实施例中,对所述预设的K值进行重新赋值可以通过对K值进行加1来实现。
步骤204,提取聚类运算后符合条件的类的道路车速均值,将所述道路车速均值作为路况数据特征值输出,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数。
在本实施例中,所述步骤204,如图7所示,包括:
步骤2041,遍历每条道路在不同星期特征日、不同时间窗下的聚类结果;
步骤2042,当所述聚类结果中某一类所包含的样本数量大于或等于此次聚类计算的样本数的1/8时,提取该类的道路车速均值作为特征值输出。
本发明实施例提供的路况数据特征值提取的方法,通过对道路车速进行聚类,将符合条件的类的道路车速均值作为路况数据特征值输出,根据所述路况数据特征值,ATIS可以得到某一区域的交通拥堵情况的变化规律,从而实现对路况的预测,解决了现有技术中由于ATIS不能实现路况预测以警示出行者,导致一些交通拥堵点疏散不及时的问题。
本发明实施例提供的路况数据特征值提取装置,如图8所示,包括:
获取单元401,用于获取最近的至少三个月的历史路况数据;具体的实现方法可以参见如图2所示的步骤201所述,此处不再赘述。
整理单元402,根据所述获取单元获取的历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;具体的实现方法可以参见如图2所示的步骤202所述,此处不再赘述。
聚类单元403,用于对所述整理单元整理得到的同一标识的道路车速进行聚类运算;具体的实现方法可以参见如图2所示的步骤203所述,此处不再赘述。
在本实施例中,所述聚类单元,如图9所示,包括:
排序生成子单元4031,用于根据所述整理单元整理后的历史路况数据,对同一道路、同一星期特征日、同一时间窗下不同日期的道路车速进行排序并生成一个车速数据集;具体的实现方法可以参见如图4所示的步骤2031所述,此处不再赘述。
聚类子单元4032,用于根据预设的K值将所述排序生成子单元生成的车速数据集聚类为K类。具体的实现方法可以参见如图4所示的步骤2032所述,此处不再赘述。
为了使得聚类更准确,如图10所示,所述聚类单元,还包括:
赋值子单元4033,用于对所述预设的K值重新赋值以生成新的K值,将所述新的K值替换预设的K值,进行聚类,并计算平方误差,直到根据所述新的K值计算出的平方误差为根据所述预设的K值计算出的平方误差的50%为止。具体的实现方法可以参见如图6所示的步骤2033所述,此处不再赘述。
提取单元404,用于提取所述聚类单元聚类运算后符合条件的类的道路车速均值,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数;具体的实现方法可以参见如图2所示的步骤204所述,此处不再赘述。
在本实施例中,如图11所示,所述提取单元,包括:
遍历子单元4041,用于遍历每条道路在不同星期特征日、不同时间窗下的聚类结果;具体的实现方法可以参见如图7所示的步骤2041所述,此处不再赘述。
提取子单元4042,当所述遍历子单元遍历的聚类结果中某一类所包含的样本数量大于或等于此次聚类计算的样本数的1/8时,提取该类的道路车速均值。具体的实现方法可以参见如图7所示的步骤2042所述,此处不再赘述。
输出单元405,用于将所述提取单元提取的道路车速均值作为路况数据特征值输出。具体的实现方法可以参见如图2所示的步骤204所述,此处不再赘述。
本发明实施例提供的路况数据特征值提取的装置,通过对道路车速进行聚类,将符合条件的类的道路车速均值作为路况数据特征值输出,根据所述路况数据特征值,ATIS可以得到某一区域的交通拥堵情况的变化规律,从而实现对路况的预测,解决了现有技术中由于ATIS不能实现路况预测以警示出行者,导致一些交通拥堵点疏散不及时的问题。
本发明实施例提供的路况预测的方法及装置适用于智能交通领域,如ATIS等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一计算机可读存储介质中,如ROM/RAM、磁碟或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种路况数据特征值提取的方法,其特征在于,包括:
获取最近的至少三个月的历史路况数据;
根据所述历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;
对同一标识的道路车速进行聚类运算;
提取聚类运算后符合条件的类的道路车速均值,将所述道路车速均值作为路况数据特征值输出,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史路况数据中的道路车速的固有特征,对所述道路车速进行标识,包括:
遍历历史路况数据中的道路集合,按照星期特征日读取最近的至少三个月的历史路况数据;
将所述历史路况数据中同一道路、同一星期特征日的道路车速保存在数据文件中,所述数据文件以道路名为名;
将相同星期特征日下的数据文件存放于文件夹,所述文件夹以星期特征日为名。
3.根据权利要求1所述的方法,其特征在于,所述对同一标识的道路车速进行聚类运算,包括:
根据整理后的历史路况数据,对同一道路、同一星期特征日、同一时间窗下不同日期的道路车速进行排序并生成一个车速数据集;
根据预设的K值将所述车速数据集聚类为K类。
4.根据权利要求3所述的方法,其特征在于,所述根据预设的K值将所述车速数据集聚类为K类,包括:
根据预设的K值将所述车速数据集分为K类,每个类之间的样本数量差的绝对值最大为1;
记录每个类之间的原始边界点,计算每个类的道路车速均值作为每个类的原始中心点;
根据所述原始中心点和所述原始边界点,进行聚类,形成最终中心点和最终边界点,所述最终中心点为每个类的道路车速均值,该道路车速均值与所属类的第一个道路车速之间的差的绝对值等于所述道路车速均值与所属类的最后一个道路车速的差的绝对值;
根据所述最终中心点和最终边界点,计算平方误差。
5.根据权利要求3所述的方法,其特征在于,所述根据预设的K值将所述车速数据集聚类为K类之后,还包括:
对所述预设的K值重新赋值以生成新的K值,将所述新的K值替换预设的K值,进行聚类,并计算平方误差,直到根据所述新的K值计算出的平方误差为根据所述预设的K值计算出的平方误差的50%为止。
6.根据权利要求1所述的方法,其特征在于,所述提取聚类运算后符合条件的类的道路车速均值,将所述道路车速均值作为路况数据特征值输出,包括:
遍历每条道路在不同星期特征日、不同时间窗下的聚类结果;
当所述聚类结果中某一类所包含的样本数量大于或等于此次聚类计算的样本数的1/8时,提取该类的道路车速均值作为特征值输出。
7.一种路况数据特征值提取装置,其特征在于,包括:
获取单元,用于获取最近的至少三个月的历史路况数据;
整理单元,根据所述获取单元获取的历史路况数据中的道路车速的固有特征,对所述道路车速进行标识;
聚类单元,用于对所述整理单元整理得到的同一标识的道路车速进行聚类运算;
提取单元,用于提取所述聚类单元聚类运算后符合条件的类的道路车速均值,所述符合条件的类中包含的道路车速的个数大于或等于预设的道路车速个数;
输出单元,用于将所述提取单元提取的道路车速均值作为路况数据特征值输出。
8.根据权利要求7所述的装置,其特征在于,所述聚类单元,包括:
排序生成子单元,用于根据所述整理单元整理后的历史路况数据,对同一道路、同一星期特征日、同一时间窗下不同日期的道路车速进行排序并生成一个车速数据集;
聚类子单元,用于根据预设的K值将所述排序生成子单元生成的车速数据集聚类为K类。
9.根据权利要求8所述的装置,其特征在于,所述聚类单元,还包括:
赋值子单元,用于对所述预设的K值重新赋值以生成新的K值,将所述新的K值替换预设的K值,进行聚类,并计算平方误差,直到根据所述新的K值计算出的平方误差为根据所述预设的K值计算出的平方误差的50%为止。
10.根据权利要求7所述的装置,其特征在与,所述提取单元,包括:
遍历子单元,用于遍历每条道路在不同星期特征日、不同时间窗下的聚类结果;
提取子单元,当所述遍历子单元遍历的聚类结果中某一类所包含的样本数量大于或等于此次聚类计算的样本数的1/8时,提取该类的道路车速均值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910244110 CN101763729B (zh) | 2009-12-29 | 2009-12-29 | 路况数据特征值提取的方法和装置 |
PCT/CN2010/079512 WO2011079689A1 (zh) | 2009-12-29 | 2010-12-07 | 路况数据特征值提取的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910244110 CN101763729B (zh) | 2009-12-29 | 2009-12-29 | 路况数据特征值提取的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101763729A true CN101763729A (zh) | 2010-06-30 |
CN101763729B CN101763729B (zh) | 2012-12-12 |
Family
ID=42494880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200910244110 Active CN101763729B (zh) | 2009-12-29 | 2009-12-29 | 路况数据特征值提取的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN101763729B (zh) |
WO (1) | WO2011079689A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011079689A1 (zh) * | 2009-12-29 | 2011-07-07 | 北京世纪高通科技有限公司 | 路况数据特征值提取的方法和装置 |
CN102509445A (zh) * | 2011-10-19 | 2012-06-20 | 北京世纪高通科技有限公司 | 路况预测因素的筛选方法及装置 |
CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
CN102622370A (zh) * | 2011-01-30 | 2012-08-01 | 北京高德泰信科技有限公司 | 一种获取路线描述的方法及装置、电子地图服务器 |
CN104217591A (zh) * | 2014-08-29 | 2014-12-17 | 哈尔滨工业大学深圳研究生院 | 动态路况检测方法及系统 |
CN104969274A (zh) * | 2013-02-01 | 2015-10-07 | 日立汽车系统株式会社 | 行驶控制装置和行驶控制系统 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 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 |
CN106935052A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的变速提示方法及装置 |
CN110197583A (zh) * | 2018-05-03 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种道路路况的识别方法、装置及存储介质 |
CN110246331A (zh) * | 2019-05-30 | 2019-09-17 | 武汉智云集思技术有限公司 | 基于指标数据的路况分析方法、设备及可读存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407206A (zh) * | 2015-07-29 | 2017-02-15 | 高德软件有限公司 | 一种道路聚合方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662106B2 (en) * | 2001-04-13 | 2003-12-09 | Hewlett-Packard Development Company, L.P. | Navigation system that takes into account dynamic road conditions |
JP2005134429A (ja) * | 2003-10-28 | 2005-05-26 | Pioneer Electronic Corp | 交通状況報知装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体 |
US8046162B2 (en) * | 2005-11-04 | 2011-10-25 | Honda Motor Co., Ltd. | Data broadcast method for traffic information |
KR100797394B1 (ko) * | 2005-12-08 | 2008-01-28 | 한국전자통신연구원 | 노면 설치용 교통정체정보 제공 장치 및 그 방법 |
CN101488284A (zh) * | 2008-01-16 | 2009-07-22 | 闵万里 | 道路交通状况即时预测的智能管理系统 |
CN101763729B (zh) * | 2009-12-29 | 2012-12-12 | 北京世纪高通科技有限公司 | 路况数据特征值提取的方法和装置 |
-
2009
- 2009-12-29 CN CN 200910244110 patent/CN101763729B/zh active Active
-
2010
- 2010-12-07 WO PCT/CN2010/079512 patent/WO2011079689A1/zh active Application Filing
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011079689A1 (zh) * | 2009-12-29 | 2011-07-07 | 北京世纪高通科技有限公司 | 路况数据特征值提取的方法和装置 |
CN102622370A (zh) * | 2011-01-30 | 2012-08-01 | 北京高德泰信科技有限公司 | 一种获取路线描述的方法及装置、电子地图服务器 |
CN102622370B (zh) * | 2011-01-30 | 2017-02-22 | 高德软件有限公司 | 一种获取路线描述的方法及装置、电子地图服务器 |
CN102509445B (zh) * | 2011-10-19 | 2013-12-04 | 北京世纪高通科技有限公司 | 路况预测因素的筛选方法及装置 |
CN102509445A (zh) * | 2011-10-19 | 2012-06-20 | 北京世纪高通科技有限公司 | 路况预测因素的筛选方法及装置 |
CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
CN102542801B (zh) * | 2011-12-23 | 2014-10-08 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
CN104969274A (zh) * | 2013-02-01 | 2015-10-07 | 日立汽车系统株式会社 | 行驶控制装置和行驶控制系统 |
CN104217591A (zh) * | 2014-08-29 | 2014-12-17 | 哈尔滨工业大学深圳研究生院 | 动态路况检测方法及系统 |
CN104217591B (zh) * | 2014-08-29 | 2017-03-15 | 哈尔滨工业大学深圳研究生院 | 动态路况检测方法及系统 |
CN106935052A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的变速提示方法及装置 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 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 |
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 |
CN110197583A (zh) * | 2018-05-03 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种道路路况的识别方法、装置及存储介质 |
CN110246331A (zh) * | 2019-05-30 | 2019-09-17 | 武汉智云集思技术有限公司 | 基于指标数据的路况分析方法、设备及可读存储介质 |
CN110246331B (zh) * | 2019-05-30 | 2021-02-26 | 武汉智云集思技术有限公司 | 基于指标数据的路况分析方法、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2011079689A1 (zh) | 2011-07-07 |
CN101763729B (zh) | 2012-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101763729B (zh) | 路况数据特征值提取的方法和装置 | |
CN109493620B (zh) | 一种交通路况分析系统、方法以及装置 | |
US20190266891A1 (en) | A method to quantitatively analyze the effects of urban built environment on road travel time | |
CN101739820B (zh) | 路况预测的方法及装置 | |
Zilske et al. | OpenStreetMap for traffic simulation | |
Fink et al. | Quantifying the impact of adaptive traffic control systems on crash frequency and severity: Evidence from Oakland County, Michigan | |
Tak et al. | Real-time travel time prediction using multi-level k-nearest neighbor algorithm and data fusion method | |
CN105139638A (zh) | 一种出租车载客点选取的方法及系统 | |
Gonzales et al. | Multimodal transport modeling for Nairobi, Kenya: insights and recommendations with an evidence-based model | |
Mahmassani et al. | Incorporating Weather Impacts in Traffic Estimation and Prediction Systems [Report] | |
Feng et al. | Quantifying the joint impacts of stop locations, signalized intersections, and traffic conditions on bus travel time | |
CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN103632541B (zh) | 交通事件路链检测与数据填补方法 | |
Figliozzi et al. | Algorithms for studying the impact of travel time reliability along multisegment trucking freight corridors | |
Stamos et al. | Modeling effects of precipitation on vehicle speed: floating car data approach | |
KR20180121821A (ko) | 구간통행시간 및 신호지체 추정방법 | |
CN104573972B (zh) | 一种基于车载gps数据的公交路线运营时段划分方法 | |
Barlovic et al. | Online traffic simulation with cellular automata | |
Kondyli et al. | The contribution of ramp demand in the capacity of merge bottleneck locations | |
Chungang-no | A study on intelligent traffic system related with smart city | |
Eisele et al. | Developing and applying models for estimating arterial corridor travel time index for transportation planning in small to medium-sized communities | |
Li et al. | How snowfalls affect the operation of taxi fleets? A case study from Harbin, China | |
Oskarbski et al. | Multi-level transport systems model for traffic management activities | |
Kim et al. | Multiple-step traffic speed forecasting strategy for winter freeway operations | |
CN106530689B (zh) | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
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 |