CN101783075A - 一种城市环形道路交通流预测系统 - Google Patents
一种城市环形道路交通流预测系统 Download PDFInfo
- Publication number
- CN101783075A CN101783075A CN201019114025A CN201019114025A CN101783075A CN 101783075 A CN101783075 A CN 101783075A CN 201019114025 A CN201019114025 A CN 201019114025A CN 201019114025 A CN201019114025 A CN 201019114025A CN 101783075 A CN101783075 A CN 101783075A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- flow data
- forecasting
- traffic
- 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
Abstract
本发明公开了一种城市环形道路交通流预测系统，涉及数据库管理，数据分析和处理，数据预测等相关技术领域。该系统包括交通流数据管理系统、交通流数据特性分析系统和交通流数据预测系统。交通流数据管理系统用于交通流数据库维护，实现实时交通流数据的读取和预测数据存入；交通流数据特性分析系统实现交通流数据的特性分析，用于交通流数据的预处理；交通流数据预测系统用于交通流预测模型选取和预测结果的分析，实现预测方法比较、预测结果的显示和保存。解决交通流数据的质量问题和传统交通流预测中出现的偏差预测问题，同时引入路段上下游之间的各种影响因素对路段交通流进行预测，实现路网的实时准确的交通流预测。
Description
技术领域
本发明涉及交通流预测技术，特别是提供了一种城市环形道路交通流预测系统。
背景技术
交通流特性的预测特别是道路短时交通流预测是城市道路交通控制与诱导等交通管理手段的基础。准确实时的短时交通流预测是实现交通控制与管理、交通诱导的前提，是使智能交通系统从“被动式反应”转变到“主动式动作”的关键。因此短时交通流预测系统是智能交通系统中的重要的基础子系统之一。基于预测信息的交通信息服务和交通管理在国际上属于智能交通系统研究的前沿领域，部分发达国家和地区都进行相关方面的研究工作，但良好的成熟的应用成果非常罕见。目前国外应用较为广泛的基于实时采集信息的交通管理和信息服务系统，绝大多数不包括预测信息。国内部分单位和城市在交通信息服务和交通流预测方面进行了一些研究工作，但都尚未达到成熟实用的阶段。
近年来，许多机构和学者致力于短时交通流预测方法的研究，许多预测方法被应用于短时交通流的预测中，如卡尔曼滤波方法、多元回归方法、时间序列方法、神经网络方法、非参数回归方法等，其中有些方法在实际应用或仿真工程中取得了较好的效果。但是由于交通流过程是时变的，不同的空间位置、道路环境、时间段下，其状态特征差异很大，用单一的预测模型进行预测时，由于模型本身存在这样的或者那样的缺陷，决定了准确的交通流预测不是单一的模型或方法所能解决和完成的。所以利用两种或两种以上的方法进行预测可以取长补短，更好地发挥各自的优势，组合预测在短时交通流预测中成为一种趋势。
中国发明专利CN1967622A，公开了一种城市道路交通流预测及交通信息诱导系统，利用交通信息综合平台实现交通流数据的分析、融合和预测，并通过信息发布系统发布交通信息。其中的交通流量预测推理采用神经网络预测与非参数回归模型法相结合的交通流预测算法。但是，利用所述的交通流预测方法存在以下两个问题。
第一是数据来源的质量问题。作为合理进行道路网交通流预测的基础，数据的质量对于交通流预测的有效性具有不可忽视的作用。然而获得的海量的交通流数据往往含有错误数据和丢失数据，所以使用不加以识别和修复的交通流数据，从而存在降低了模型预测可靠性(精度)的问题。
第二是交通流预测模型的缺陷问题。神经网络模型由于其自身特有的自适应和自学习的优势，适用于交通流短期预测。但是，神经网络在线更新是一个难点，在具体的实施上存在问题。非参数回归模型根据样本相似性，用历史数据中相似样本的均值作为预测值，可以用于交通流短期预测。但是其预测实施和预测的准确度严重的依赖于完整的历史数据，需要特殊的数据索取方式。不适合作为子模型与其他模型进行组合。因此在实际的交通流预测中会出现偏差预测的问题。
发明内容
因此，本发明目的在于提供了一种城市环形道路交通流预测系统，解决交通流数据的质量问题和传统交通流预测中出现的偏差预测问题，同时引入路段上下游之间的各种影响因素对路段交通流进行预测，实现路网的实时准确的交通流预测。
本发明一种城市环形道路交通流预测系统，该系统包括交通流数据管理系统、交通流数据特性分析系统和交通流数据预测系统；
所述交通流数据管理系统，包括数据管理单元，所述数据管理单元用于监测数据的接入和历史数据的导入；并向所述数据库输入实时检测交通流数据和历史交通流数据；
所述交通流数据特性分析系统，包括交通流数据特性分析单元和交通流数据预处理单元；其中，所述交通流数据特性分析单元，用于从所述数据库读出的历史交通流数据，通过分析该路段的历史交通流数据的日分布、周分布和速度-流量分布，获取预测路段的交通特性；所述交通流数据预处理单元，用于对从所述数据库读出的实时交通流检测数据进行故障识别和修复，对异常数据进行相应的平滑处理、对缺失数据进行补充与对错误数据进行剔除和替代；
所述交通流数据预测系统，包括预测模型库单元和交通流预测结果分析单元；其中，所述预测模型库单元，用于对路段的交通流进行实时准确的预测；所述交通流预测结果分析单元用于对预测结果的打印、显示和查询。
进一步，所述交通流数据管理系统还包括用户管理单元，用于对用户的添加、删除和密码的修改，权限管理。
所述预测模型库单元包括组合预测模型和即时递推模型，所述组合预测模型用于检验每个单项的交通流预测序列和被预测序列之间是否存在协整关系，并将满足协整关系的单项交通流预测序列组合，实现单断面的交通流预测；所述即时递推模型用于同时对路段上下游之间的各种影响因素对路段交通流进行预测，实现多断面的交通流预测。
本发明的优点是：由于采用上述技术方案本发明通过交通流数据特性分析对检测器计入实时交通流数据进行预测处理，引入基于协整理论的组合预测模型与即时递推模型，进行实时交通流预测。解决交通流数据的质量问题和传统交通流预测中出现的偏差预测问题，同时引入路段上下游之间的各种影响因素对路段交通流进行预测，实现路网的实时准确的交通流预测。
附图说明
图1是根据本发明一种城市环形道路交通流预测系统的原理示意图。
图2是根据本发明一种城市环形道路交通流预测系统的一个实例中的交通流数据的分析模块对交通流数据进行特性分析，并实现读取的实时交通流数据进行预处理的流程图。
图3是根据本发明一种城市环形道路交通流预测系统的一个实例中的单断面的预测模型是基于协整理论的组合预测模型示意图。
图4是根据本发明一种城市环形道路交通流预测系统的一个实例中的多断面的预测模型是即时递推的预测模型示意图。
图5是根据本发明一种城市环形道路交通流预测系统的一个实例预测模型库单元中的多断面的预测模型中权重系数确定方法流程图。
具体实施方式
下面结合附图，对本发明的技术方案做进一步的阐述。
图1描述了根据本发明一种城市环形道路交通流预测系统，该系统包括交通流数据管理系统、交通流数据特性分析系统和交通流数据预测系统；
交通流数据管理系统实现不同权限的用户管理和交通流数据管理。该系统包括用户管理单元和数据管理单元。用户管理单元实现用户的添加、删除和密码的修改，针对不同权限的用户提供不同的功能。数据管理单元实现检测器数据接入和历史数据导入，向数据库输入预测路段的实时交通流检测数据和历史交通流数据。所述的交通流数据特性分析系统实现对路段交通流特性分析和交通流数据的预处理。该系统包括交通流数据特性分析单元和交通流数据预处理单元。交通流数据特性分析单元分析从数据库读出的历史交通流数据，通过分析该路段的历史交通流数据的日分布、周分布和速度-流量分布，获取预测路段的交通特性。交通流数据预处理单元利用获取的路段交通特性对从数据库读出的实时交通流检测数据进行故障识别和修复。包括对异常数据进行相应的平滑处理、对缺失数据进行补充与对错误数据进行剔除和替代。所述的交通流预测系统实现对交通流的预测和预测结果的分析。该模块包括预测模型库单元和交通流预测结果分析单元。通过预测模型库单元实现交通流预测模型的选取，先利用常用的交通流预测模型对交通流进行预测，检验每个单项的交通流预测序列和被预测序列之间是否存在协整关系，将满足协整关系的单项交通流预测序列组合成组合预测模型，实现单断面的交通流预测。利用预测路段上下游的相关性预测下游路段交通流数据，实现路网多断面的交通流数据预测。最后交通流预测结果分析单元实现预测结果的打印、显示和查询。显示功能包括交通流参数预测曲线的显示、路况状态分布情况的显示和交通拥挤状态信息的显示。
图2描述了根据本发明一种城市环形道路交通流预测系统的一个实例中的交通流数据的分析系统。首先从交通流数据库中读取某一断面历史交通流数据和检测器直接接入的实时交通流数据，通过对该断面历史交通流数据的周分布、日分布和速度-流量分布的分析。获取该路段具体的交通流特性，确定实时交通流数据的变化规律和范围。利用这些特性对实时交通流数据进行预处理，包括对异常数据进行相应的平滑处理、对缺失数据进行补充与对错误数据进行剔除和替代。最后将预处理过的交通流数据输出到交通流预测模块，实现交通流预测。
图3描述了根据本发明一种城市环形道路交通流预测系统的一个实例预测模型库单元中的单断面的预测模型。在预测模型库单元提供5种单项预测模型包括历史平均模型、指数平滑模型、kalman滤波模型、神经网络模型和自回归移动平均模型五类。针对于不同路段的交通流先利用单项预测模型进行预测，接着检验每个单项的交通流预测序列和被预测序列之间是否存在协整关系，将满足协整关系的单项交通流预测序列选择出来，组合成一个组合预测模型并加入一阶滞后量进行误差修正。最后输出为单断面的交通流数据预测值。
图4描述了根据本发明一种城市环形道路交通流预测系统的一个实例预测模型库单元中的多断面的预测模型。在路段上下游分别取检测截面S1，S2。假设上游截面S1的交通流观测数据为X1，下游检测截面S2交通流观测数据为X2，则X1和X2之间存在联系。这是因为交通流在时间上和空间上具有连续性，截面S1和截面S2的交通状态在一定程度上相似，只是截面S2稍滞后于截面S1，滞后时间与车辆的行驶速度和两截面之间的距离、出入口匝道设置、车道数和路段的交通量有关。根据这一原理，预测截面S2的交通流数据时可以参考截面S1在前一时刻或者前几个时刻的交通流数据。
采用的即时递推的模型的基本假设为：某断面下一时刻的交通流参数值
与该断面的历史交通流数据
空间邻近下游断面的历史交通流数据X2(t)，空间邻近上游断面的历史交通流数据X1(t)和预测值
相关。由此确定的预测模型的基本形式为：
图5描述了根据本发明一种城市环形道路交通流预测系统的一个实例预测模型库单元中的多断面的预测模型中权重系数确定方法。模型权重系数q1，q2，q3，q4的确定采用的基于模糊层次分析方法F-AHP(Fuzzy-Analytic Hierarchy Process)法，首先用因子分析法来构造评价指标间的层次关系，专家选取初步评价指标，用因子分析法来剔除指标间相关性，用公因子来提取第二层指标。将因子分析法的公因子作第二层评价指标，用旋转后的公因子系数按一定规律来提取第三层指标，用因子分析法的特征值度量公因子的重要性，然后按层次分析法计算各检测点对预测点的权值。
本发明的一个具体实施方式利用数据分析模块获取的交通流特性进行数据预处理，采用基于协整理论的组合预测模型与即时递推模型分别对单断面和路段的交通流进行实时准确的预测，同时还具有对预测的分析结果进行打印、显示和查询的功能。其中，本发明中涉及的单断面的采用单项交通流预测模型可以根据具体应用场合进行协整检验来选择，基于协整理论的组合预测模型解决了基于传统交通流预测中出现的偏差预测问题。本发明中涉及的路网多断面的交通流数据预测，同时引入路段上下游之间的各种影响因素对路段交通流进行预测。与预测断面的相关联的邻近断面以及相应的关联时刻全部根据路网拓扑来确定，在系统运行的时候不进行修改。
Claims (3)
1.一种城市环形道路交通流预测系统，该系统由数据库，交通流数据管理系统、交通流数据特性分析系统和交通流数据预测系统；
所述交通流数据管理系统，包括数据管理单元，所述数据管理单元用于监测数据的接入和历史数据的导入；并向所述数据库输入实时检测交通流数据和历史交通流数据；
所述交通流数据特性分析系统，包括交通流数据特性分析单元和交通流数据预处理单元；其中，所述交通流数据特性分析单元，用于从所述数据库读出的历史交通流数据，通过分析该路段的历史交通流数据的日分布、周分布和速度-流量分布，获取预测路段的交通特性；所述交通流数据预处理单元，用于对从所述数据库读出的实时交通流检测数据进行故障识别和修复，对异常数据进行相应的平滑处理、对缺失数据进行补充与对错误数据进行剔除和替代；
所述交通流数据预测系统，包括预测模型库单元和交通流预测结果分析单元；其中，所述预测模型库单元，用于路段的交通流进行实时准确的预测；所述交通流预测结果分析单元用于对预测结果的打印、显示和查询。
2.根据权利要求1所述的城市环形道路交通流预测系统，其特征在于，所述的交通流数据管理系统还包括用户管理单元，用于对用户的添加、删除和密码的修改，权限管理。
3.根据权利要求1所述的城市环形道路交通流预测系统，其特征在于，所述预测模型库单元包括组合预测模型和即时递推模型；所述组合预测模型用于检验每个单项的交通流预测序列和被预测序列之间是否存在协整关系，并将满足协整关系的单项交通流预测序列组合，实现单断面的交通流预测；所述即时递推模型用于引入对路段上下游之间的各种影响因素对路段交通流进行预测，实现多断面的交通流预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010191140253A CN101783075B (zh) | 2010-02-05 | 2010-02-05 | 一种城市环形道路交通流预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010191140253A CN101783075B (zh) | 2010-02-05 | 2010-02-05 | 一种城市环形道路交通流预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101783075A true CN101783075A (zh) | 2010-07-21 |
| CN101783075B CN101783075B (zh) | 2012-05-23 |
Family
ID=42523055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010191140253A Expired - Fee Related CN101783075B (zh) | 2010-02-05 | 2010-02-05 | 一种城市环形道路交通流预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101783075B (zh) |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908276A (zh) * | 2010-07-29 | 2010-12-08 | 北京世纪高通科技有限公司 | 评价交通信息的方法及装置 |
| CN101950477A (zh) * | 2010-08-23 | 2011-01-19 | 北京世纪高通科技有限公司 | 一种交通信息处理方法及装置 |
| CN102122437A (zh) * | 2011-04-01 | 2011-07-13 | 上海千年工程建设咨询有限公司 | 道路交通管理决策支持装置 |
| CN102385799A (zh) * | 2010-08-31 | 2012-03-21 | 株式会社电装 | 交通状态预测装置 |
| CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
| CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
| CN102855524A (zh) * | 2012-08-14 | 2013-01-02 | 贵州乌江水电开发有限责任公司 | 多年调节水库年末消落水位预测方法及系统 |
| CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
| CN103578274A (zh) * | 2013-11-15 | 2014-02-12 | 北京四通智能交通系统集成有限公司 | 一种交通流预测方法及装置 |
| CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
| 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 |
| CN104123312A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 一种数据挖掘方法和装置 |
| CN104732279A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 |
| CN104732762A (zh) * | 2015-04-21 | 2015-06-24 | 银江股份有限公司 | 一种交通异常路段概率识别方法 |
| CN105185106A (zh) * | 2015-07-13 | 2015-12-23 | 丁宏飞 | 一种基于粒计算的道路交通流参数预测方法 |
| CN105303838A (zh) * | 2015-12-01 | 2016-02-03 | 北京百度网讯科技有限公司 | 确定道路流量的方法和装置 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
| CN106023586A (zh) * | 2015-03-28 | 2016-10-12 | 英特尔公司 | 用于检测车辆交通模式中的异常的技术 |
| CN106530697A (zh) * | 2016-11-22 | 2017-03-22 | 宁波大学 | 一种城市非机动车专用道上路内停车系统的设置方法 |
| 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 |
| CN107862866A (zh) * | 2017-11-06 | 2018-03-30 | 浙江工商大学 | 基于平均偏移量平移的数据噪音点检测方法 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
| CN110309957A (zh) * | 2019-06-17 | 2019-10-08 | 北京航空航天大学 | 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法 |
| CN110444010A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测方法 |
| CN110491120A (zh) * | 2019-07-05 | 2019-11-22 | 广州车行易科技股份有限公司 | 一种基于大数据的道路交通控制方法及其系统 |
| US10671366B2 (en) | 2015-12-22 | 2020-06-02 | Alibaba Group Holding Limited | App program running method and apparatus |
| CN111292533A (zh) * | 2020-02-11 | 2020-06-16 | 北京交通大学 | 基于多源数据的高速公路任意时段任意断面流量估计方法 |
| TWI706341B (zh) * | 2018-07-27 | 2020-10-01 | 香港商阿里巴巴集團服務有限公司 | 事件預測方法及裝置、電子設備 |
| CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
| US11288956B2 (en) | 2017-04-04 | 2022-03-29 | Yandex Europe Ag | Methods of determining user-centric traffic estimation error parameter associated with estimated road traffic conditions |
| CN114287023A (zh) * | 2019-09-25 | 2022-04-05 | 华为云计算技术有限公司 | 用于交通预测的多传感器学习系统 |
| CN115497294A (zh) * | 2022-09-22 | 2022-12-20 | 东南大学 | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006079483A (ja) * | 2004-09-13 | 2006-03-23 | Hitachi Ltd | 交通情報提供装置，交通情報提供方法 |
| CN100416584C (zh) * | 2005-01-19 | 2008-09-03 | 北京交通大学 | 一种道路交通流数据质量控制方法与装置 |
| CN101271622A (zh) * | 2007-03-22 | 2008-09-24 | 上海经达实业发展有限公司 | 一种城市道路交通的即时状态判别及诱导系统 |
| 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 |
-
2010
- 2010-02-05 CN CN2010191140253A patent/CN101783075B/zh not_active Expired - Fee Related
Cited By (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908276A (zh) * | 2010-07-29 | 2010-12-08 | 北京世纪高通科技有限公司 | 评价交通信息的方法及装置 |
| CN101950477A (zh) * | 2010-08-23 | 2011-01-19 | 北京世纪高通科技有限公司 | 一种交通信息处理方法及装置 |
| CN102385799B (zh) * | 2010-08-31 | 2014-10-22 | 株式会社电装 | 交通状态预测装置 |
| CN102385799A (zh) * | 2010-08-31 | 2012-03-21 | 株式会社电装 | 交通状态预测装置 |
| CN102122437A (zh) * | 2011-04-01 | 2011-07-13 | 上海千年工程建设咨询有限公司 | 道路交通管理决策支持装置 |
| CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
| CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
| CN102521989B (zh) * | 2011-12-31 | 2014-03-12 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
| CN102855524A (zh) * | 2012-08-14 | 2013-01-02 | 贵州乌江水电开发有限责任公司 | 多年调节水库年末消落水位预测方法及系统 |
| CN104123312A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 一种数据挖掘方法和装置 |
| CN104123312B (zh) * | 2013-04-28 | 2018-02-16 | 国际商业机器公司 | 一种数据挖掘方法和装置 |
| CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
| CN103578274A (zh) * | 2013-11-15 | 2014-02-12 | 北京四通智能交通系统集成有限公司 | 一种交通流预测方法及装置 |
| CN103578274B (zh) * | 2013-11-15 | 2015-11-04 | 北京四通智能交通系统集成有限公司 | 一种交通流预测方法及装置 |
| CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
| CN103871246B (zh) * | 2014-02-10 | 2016-05-04 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
| 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 |
| CN104732279A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 |
| CN106023586A (zh) * | 2015-03-28 | 2016-10-12 | 英特尔公司 | 用于检测车辆交通模式中的异常的技术 |
| US11482100B2 (en) | 2015-03-28 | 2022-10-25 | Intel Corporation | Technologies for detection of anomalies in vehicle traffic patterns |
| CN106023586B (zh) * | 2015-03-28 | 2019-06-04 | 英特尔公司 | 用于检测车辆交通模式中的异常的方法和装置 |
| CN104732762A (zh) * | 2015-04-21 | 2015-06-24 | 银江股份有限公司 | 一种交通异常路段概率识别方法 |
| CN105185106B (zh) * | 2015-07-13 | 2017-07-04 | 丁宏飞 | 一种基于粒计算的道路交通流参数预测方法 |
| CN105185106A (zh) * | 2015-07-13 | 2015-12-23 | 丁宏飞 | 一种基于粒计算的道路交通流参数预测方法 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
| CN105321345B (zh) * | 2015-09-18 | 2017-06-30 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
| CN105303838A (zh) * | 2015-12-01 | 2016-02-03 | 北京百度网讯科技有限公司 | 确定道路流量的方法和装置 |
| US10671366B2 (en) | 2015-12-22 | 2020-06-02 | Alibaba Group Holding Limited | App program running method and apparatus |
| CN106530697A (zh) * | 2016-11-22 | 2017-03-22 | 宁波大学 | 一种城市非机动车专用道上路内停车系统的设置方法 |
| US11288956B2 (en) | 2017-04-04 | 2022-03-29 | Yandex Europe Ag | Methods of determining user-centric traffic estimation error parameter associated with estimated road traffic conditions |
| CN107862866A (zh) * | 2017-11-06 | 2018-03-30 | 浙江工商大学 | 基于平均偏移量平移的数据噪音点检测方法 |
| CN107862866B (zh) * | 2017-11-06 | 2020-10-16 | 浙江工商大学 | 基于平均偏移量平移的数据噪音点检测方法 |
| 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 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
| CN110444010A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测方法 |
| TWI706341B (zh) * | 2018-07-27 | 2020-10-01 | 香港商阿里巴巴集團服務有限公司 | 事件預測方法及裝置、電子設備 |
| CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
| CN110309957A (zh) * | 2019-06-17 | 2019-10-08 | 北京航空航天大学 | 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法 |
| CN110491120A (zh) * | 2019-07-05 | 2019-11-22 | 广州车行易科技股份有限公司 | 一种基于大数据的道路交通控制方法及其系统 |
| CN114287023A (zh) * | 2019-09-25 | 2022-04-05 | 华为云计算技术有限公司 | 用于交通预测的多传感器学习系统 |
| CN114287023B (zh) * | 2019-09-25 | 2023-12-15 | 华为云计算技术有限公司 | 用于交通预测的多传感器学习系统 |
| CN111292533A (zh) * | 2020-02-11 | 2020-06-16 | 北京交通大学 | 基于多源数据的高速公路任意时段任意断面流量估计方法 |
| CN111292533B (zh) * | 2020-02-11 | 2021-07-30 | 北京交通大学 | 基于多源数据的高速公路任意时段任意断面流量估计方法 |
| CN115497294A (zh) * | 2022-09-22 | 2022-12-20 | 东南大学 | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 |
| CN115497294B (zh) * | 2022-09-22 | 2023-09-19 | 东南大学 | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101783075B (zh) | 2012-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101783075B (zh) | 一种城市环形道路交通流预测系统 | |
| CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
| Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
| Lin et al. | Real-time bus arrival time prediction: case study for Jinan, China | |
| Zhou et al. | Bus arrival time calculation model based on smart card data | |
| Moreira-Matias et al. | An online learning approach to eliminate Bus Bunching in real-time | |
| Myung et al. | Travel time prediction using k nearest neighbor method with combined data from vehicle detector system and automatic toll collection system | |
| CN102568205B (zh) | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 | |
| Ren et al. | Mtrajrec: Map-constrained trajectory recovery via seq2seq multi-task learning | |
| CN106127360A (zh) | 一种基于用户特性分析的多模型负荷预测方法 | |
| CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
| CN106161138A (zh) | 一种智能自动计量方法及装置 | |
| US20130090905A1 (en) | Traffic Sensor Management | |
| Mo et al. | Estimating dynamic origin–destination demand: A hybrid framework using license plate recognition data | |
| Hua et al. | Forecasting usage and bike distribution of dockless bike‐sharing using journey data | |
| Goh et al. | Integration model of fuzzy AHP and life-cycle cost analysis for evaluating highway infrastructure investments | |
| Herzog | The city-wide effects of tolling downtown drivers: Evidence from london's congestion charge | |
| Hosseini et al. | Traffic flow prediction using MI algorithm and considering noisy and data loss conditions: An application to Minnesota traffic flow prediction | |
| Azimi et al. | A Layered Quality Framework for Machine Learning-driven Data and Information Models. | |
| Tufuor et al. | Calibrating the Highway Capacity Manual arterial travel time reliability model | |
| CN103996076B (zh) | 电力需求的变化预警方法和系统 | |
| CN110459050A (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
| Tang et al. | Modeling routing behavior learning process for vacant taxis in a congested urban traffic network | |
| Xu et al. | Applying finite mixture models to New York City travel times | |
| Li et al. | Route restoration method for sparse taxi GPS trajectory based on Bayesian network |
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 |
Granted publication date: 20120523 Termination date: 20180205 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |