CN102496280B - 一种路况信息实时获取方法 - Google Patents
一种路况信息实时获取方法 Download PDFInfo
- Publication number
- CN102496280B CN102496280B CN201110412993.XA CN201110412993A CN102496280B CN 102496280 B CN102496280 B CN 102496280B CN 201110412993 A CN201110412993 A CN 201110412993A CN 102496280 B CN102496280 B CN 102496280B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- mobile phone
- road condition
- condition information
- 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
Abstract
本发明公开了一种路况信息实时获取方法,属于智能交通领域,该方法包括:删除不满足路况信息计算的无线移动数据,进行路径推测,根据路径推测得到的行驶路径和分类特征值,判断无线移动数据对路链旅行时间计算的有效性,将有效数据进行融合,得到路况信息。本发明应用现有的无线通信网络信令标定车载手机的行驶轨迹,进而计算路况信息。由于基于网络的无线定位技术充分利用已有的移动通讯设施和网络资源,可以以很少的投资实现覆盖全路网、全天候的道路实时交通信息采集,因此基于无线网络信令的路况信息计算技术能够满足广阔地区实时路况计算的需求。
Description
技术领域
本发明涉及智能交通领域,特别是一种基于基站切换定位数据的路况信息实时获取方法。
背景技术
随着社会经济和交通事业的发展,交通拥挤和交通事故造成的道路通行能力降低、行车速度下降、交通延误增大、燃油消耗量增加、环境污染加重等诸多问题越来越凸现出来,成为全球共同关注的难题。近年来,许多国家投入大量人力物力进行道路交通运输系统的管理与控制技术的开发,致力于综合运用各种高新技术以系统地解决道路交通问题。在此情况下,智能交通系统(Intelligent Transportation System,ITS)应运而生,其核心子系统先进交通管理系统(Advanced Traffic Management System,ATMS)和先进交通信息服务系统(Advanced Traffic Information System,ATIS)即是将海量信息处理、数据通信、电子传感和电子控制等技术手段集成运用于整个交通管理与服务中,提供一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通信息服务,达到节约出行者旅行时间,缓解道路拥堵、减少污染、节省能源等目的。
目前国际上普遍采用的交通信息采集技术主要是固定式交通信息采集技术和移动式交通信息采集技术。固定式交通信息采集技术是在主要道路和重要路口安装环形传感器、微波监测器等电子设备来监测路网上特定路段的某横截面处的交通数据:车流量、占用率等,进而获得车辆的平均车速,道路的交通拥堵情况等信息,但获得这些数据需要采用复杂的算法估算得到。这些设备的优点是对交通流的测量较为准确,缺点是设备部署和维护成本高,因此,一般只部署在城市主要道路上,覆盖率低。移动式交通信息采集技术通过移动设备,如安装GPS车载定位装置的公交车或出租车,定时返回其位置、速度、行驶方向等信息,进而获得车辆行驶道路的相关路况信息。传统的移动式采集方式要求移动设备定位精度较高,且受采集设备自身形式特征影响较大,如公交车运行线路固定,出租车行驶范围有限等。
由于智能交通系统的原始交通数据主要来源于城市中的浮动车,这就导致了其覆盖和服务的范围主要集中于城市。而要获取郊区和村镇的交通数据,目前主要依赖于环形线圈数据采集技术,即通过在公路上埋设环形线圈的方式来采集交通数据。这种采集方式的问题在于:埋设线圈会对已建道路造成破坏;线圈损坏率高、维护费用较大,据美国交通部门测算,线圈损坏率大约为30%,每年需要花费约20~30亿美元进行维护;只能采集到地点车速和流量数据,不能获得路段行程时间;覆盖范围有限,只有在已经埋设线圈设施的路段才能采集数据。由于这些环形线圈的固有问题,导致利用其采集交通数据的方式应用并不广泛,智能交通系统在郊区和村镇的覆盖范围依然较小。
发明内容
有鉴于此,本发明的目的在于提供一种路况信息实时获取方法,用于提高智能交通系统的覆盖服务范围。
本发明的实施例提供了一种路况信息实时获取方法,包括:
删除不满足路况信息计算的无线移动数据,进行路径推测,根据路径推测得到的行驶路径和分类特征值,判断无线移动数据对路链旅行时间计算的有效性,将有效数据进行融合,得到路况信息;
所述删除不满足路况信息计算的无线移动数据的步骤具体包括:删除无效数据、非移动数据及非车载数据;
所述删除无效数据的方法具体包括:根据手机状态删除处理周期内的非活跃用户的无线移动数据,所属基站的基站位置未覆盖市郊重要道路的无线移动数据,以及一个处理周期内记录数少于三条的手机的无线移动数据。
本发明应用现有的无线通信网络信令标定车载手机的行驶轨迹,进而计算路况信息。由于基于网络的无线定位技术充分利用已有的移动通讯设施和网络资源,可以以很少的投资实现覆盖全路网、全天候的道路实时交通信息采集,因此基于无线网络信令的路况信息计算技术能够满足广阔地区实时路况计算的需求。
附图说明
图1为本发明实施例中基于手机切换进行路况获取的手机定位方式示意图;
图2为本发明实施例提供的基于基站切换定位数据的路况信息实时获取方法的流程图;
图3为本发明实施例提供的进行路径推测的方法流程图;
图4为本发明实施例提供的三层路网模型的结构图;
图5为本发明实施例提供的对路网模型进行网格化的示意图;
图6为本发明实施例提供的路况信息融合的方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
本实施例应用现有的无线通信网络信令标定车载手机的行驶轨迹,进而计算路况信息。由于基于网络的无线定位技术充分利用已有的移动通讯设施和网络资源,可以以很少的投资实现覆盖全路网、全天候的道路实时交通信息采集,因此基于无线网络信令的路况信息计算技术能够满足广阔地区实时路况计算的需求。本发明实施例根据无线移动数据特点,提出无线移动定位数据预处理方法,剔除不满足路况信息计算的数据;针对基站切换定位特点,在传统的路径推测算法基础上,提出了一种新的路径选择策略;引入基于SVM的有效数据辨别模型来解决路径选择策略调整所引发的同一路链上信息的不可信问题。
本实施例采用的无线移动数据为运营商提供的活跃用户通话记录数据,活跃用户指触发移动通信事件(通话、短信接发等)的用户。其数据格式如下表所示,其中信令事件类型包括开关机、正常位置更新、寻呼相应、短信收发、电话主叫、小区切换等。其中小区切换和正常位置更新(通话中基站切换)可用于生成切换序列。
表1
在本实施例中,在一个处理周期内,同一手机的任意相邻两个切换点组成一个切换单元。同一手机的连续原始记录的集合成为一个切换序列,一个切换序列包括至少一个切换单元。
切换(Handover)指手机在移动的过程中,会和基站保持不间断的通信,当手机当前服务基站的信号强度减弱,邻近基站的信号强度超过当前基站,手机信号会切换到邻近基站,以便获得更好的信号。在切换的过程中,运营商会保留相关切换记录,这为利用手机切换进行信息采集提供了所需的数据。发生手机切换的位置称为切换点(Handover Point),连续发生两次手机切换的路段为切换路段,道路上连续的切换点和切换路段共同组成道路切换网络(Handover Network)。记录手机一系列的切换点,通过地图匹配确定手机所属车辆的行驶路径,完成路径匹配后,进行路段的平均车速计算。
基于手机切换进行路况获取的手机定位方式如图1所示,图中的蜂窝交叉区域为发生手机切换的区域(切换区),当手机由前一基站通过切换区进入下一基站时,可以记录一个切换时间和切换点,同样,当经过下一个切换区时,会记录下一个切换时间和切换点。这样就产生了一个时间差,根据切换区之间的距离就可以计算出手机在两个切换点间移动的速度。在应用该方法的时候,需要多次测试确定手机的切换点和切换路段,计算出相邻两个切换点间的路段长度。利用手机切换点采集交通信息的方法,需要经过多次测量,确定切换网络,方便进一步对手机的定位。
图2是本发明实施例提供的基于基站切换定位数据的路况信息实时获取方法的流程图,该方法包括:
步骤201、删除不满足路况信息计算的无线移动数据。由于基于无线网络信号的手机数据可靠性难以保障,大量存在异常数据和无法满足路况信息计算的数据,因此进行路况信息计算前需要对数据进行初步筛选。
现有数据为活跃用户数据记录,活跃用户中包括移动用户和非移动用户,移动用户中又包括车载手机用户和非车载手机用户,由于非移动数据和非车载数据不能用于标定路网车辆行驶速度,因此数据预处理核心问题就是初步剔除手机数据中的这两类数据。具体的筛选方法为:
1、删除无效数据:通过基站位置、手机状态、记录数等参数对无效的无线移动数据(无效数据)进行初步删除。无效数据是指处理周期内未行驶在市郊公路范围内或未触发移动通信事件的用户数据。实际处理中,应根据手机状态删除处理周期内的非活跃用户的无线移动数据,所属基站的基站位置未覆盖市郊重要道路的无线移动数据,以及一个处理周期内记录数少于三条的手机的无线移动数据。删除少于三条记录的手机数据因为每条记录有一个基站号,两条记录确定一个切换,至少发生两次切换才能进行匹配和计算。
2、删除非移动数据:通过对处理周期内基站有效切换次数的计算删除非移动数据。申请人通过对现有数据分析发现,存在连续通话中基站切换且切换基站坐标相同的无线移动数据,该类数据为通信干扰、数据缺失造成的异常数据。由于有效切换要求发生切换记录的基站坐标与其前一记录的基站坐标不同,一手机的无线移动数据应满足处理周期内存在两次及其以上有效切换,因此,需要对不满足以上条件的无效数据予以删除。
3、删除非车载数据:通过对切换序列特点的判断(是否存在重复切换)删除非车载数据。重复切换是指处理周期内手机无线移动数据的基站切换序列(在处理周期内该手机切换过的基站)中出现环路。用序列(X1,X2,…,Xn)标示基站切换序列,环路是指存在一个Xi,使得X1到Xi-1中至少存在一个与其相等。若处理周期内切换序列(该手机在处理周期内发生过的切换)中出现环路,则剔除该手机数据。
步骤202、进行路径推测。路径推测是指通过匹配车辆较大间隔的行驶轨迹点数据,搜索车辆正确行驶路径的技术,是地图匹配的一种处理方法。本实施例针对基站切换定位特点,在传统的路径推测算法基础上,提出了一种新的路径选择策略,即将多条候选路径同时作为行驶轨迹进行输出,从而避免路径选择的盲目性对路况计算造成的严重消极影响。充分挖掘手机基站切换特征与地图拓扑属性之间的数据关联性,本发明实施例设计了启发式路径推测模型,利用车载手机通话中位置更新和基站切换数据生成的切换序列作为车辆采样点序列,对车载手机当前次采样周期内的切换序列中每一个切换点都重复以下过程(如图3):
步骤2021、定位切换所在的网格,并获取该网格内的所有路段。本实施例采用三层路网模型,如图4所示,路网结构由节点、路段和路链三层概念组成。同时,为了快速定位的需要,对路网模型进行了网格化,如图5所示。所谓网格化是指,在0.0025-0.005度之间选择一个值为步长(也可根据实际系统设为其它合理步长),将道路网络从下到上、由左至右网格化均匀分块,假设将其分为M×N个网格,简记为Grid(M×N),其中M和N分别为分块的行和列数,网格的行编号从0到M-1,列编号从0到N-1,保存其最大和最小经纬度作为它四条边的属性,并且记录每个网格包含或与网格四边相交的所有路段ID,将网格和每条路段的方向属性作为候选匹配路段的索引。
步骤2022、将网格内与切换位置距离小于250米的路段添加到搜索路链集合中。
步骤2023、判断下一条手机数据记录是否发生切换,若是,则以两个切换基站中点作为手机位置,否则以基站位置作为手机位置。因为手机数据记录中会有多种事件,只有小区切换和正常位置更新才可准确的标定切换发生的时间和位置,因此这两条记录表示发生切换,其他事件记录只能以基站位置作为手机位置。
步骤2024、在搜索路链集合中寻找匹配路段。将手机的切换序列中第一条切换记录的匹配路段设置为起始路段。匹配路段为手机位置投影落在该路段上或距离该路段小于250m。若存在本条切换记录的匹配路段,则将从起始路段到匹配成功的路段的集合加入候选路段集;否则,根据路网拓扑,将拓扑结构中与当前路段的相连的路段添加到搜索路链集合中,继续寻找匹配路段。这里所说的路段都是指网格中划分好的路段。
若切换序列中两条切换记录之间的匹配路段超过30条,则认为未找到匹配路段,从搜索路链集合中删除相应路段;若搜索过程中路链集合为空,则停止搜索,输出当前的匹配路段集合。
步骤2025、计算支持向量机(Support Vector Machine,SVM)分类特征值。分类特征值的计算为后续的判断路径推测结果对路链旅行时间计算的有效性提供数据支持,这些特征值是在地图匹配过程当中附带计算出来的。路径推测与后面的路径有效性的识别是配合进行的,路径推测输出多条匹配结果的同时,为每个匹配结果输出六类特征,用于后续的判断该结果是否有效。SVM是建立在统计学习的VC维(VC dimension)理论和结构风险最小化(structural risk minimization)原则基础上的。SVM通过对分类精度(对特定样本的分类正确性)和分类能力(对任意样本进行无错误分类)进行折衷,以期使分类器获得最好的推广能力。特征值作为SVM分类器的输入,是对数据的抽象描述,因此特征值的选取非常重要,能否准确的反映待分类数据特点将直接影响最终的分类效果。本实施例选取的分类特征包括:数据漂移特征、切换序列完整性特征、时间性特征、距离特征、事件属性特征和速度变化率特征。
本实施例中的数据漂移指切换序列中存在连续切换方向夹角大于90度的情况。其中切换方向是指发生切换的两个基站所组成的向量方向,即若某一切换的基站序列为(Cell1,Cell2),则切换方向指向量方向。数据漂移特征指切换序列中的平均漂移角度值。公式如下:
其中DA为平均漂移角度,DAi切换序列各漂移角度,DN为同一切换序列中发生漂移的个数。
如果车辆按照一定的轨迹行驶,则其切换点应当具有良好的方向性,通过分析数据发现,无效数据中大部分发生数据漂移,且根据漂移角度的不同,影响程度有所差别,因此将切换序列的平均漂移角度作为一个分类特征。
距离特征包括行驶距离与路链长度比、切换点距离。由于手机数据切换点间距离普遍较远,当一个切换间隔跨多条路链时,各路链速度为切换点间的速度均值,而通常情况下,该均值更多的受长路链影响,为了反映路链长度和切换距离对信息准确性的影响关系,将行驶距离与路链长度比和切换点距离作为两个分类特征。
切换序列完整性特征表现为匹配成功率,即切换序列中匹配成功记录占总记录数的比例。
时间性特征包括切换间隔、切换记录个数。对数据观察发现,当切换序列记录个数较少或时间间隔较长时,路链行驶速度计算误差较大,因此选取切换间隔和切换记录个数作为分类特征。
事件属性特征即切换单元的手机数据中起始终止记录中的事件是否为小区切换和正常位置更新。由于一个切换序列中的记录不会都是发生小区切换和正常位置更新记录,因此其他记录也会用来进行路径推测,其他记录只能用基站位置进行定位,这种定位精度低于切换定位精度。由于基站覆盖范围大,与切换定位相比,通过基站的位置定位车辆行驶距离存在较大误差。因此路况信息的准确性与组成一个切换单元的两个切换点的事件属性存在关联。实际计算中分别用1、2、3、4表示起始终止记录都为切换记录、只起始记录为切换记录、只终止记录为切换记录、起始终止记录均不为切换记录四种事件特征。
速度变化率特征表示相邻切换单元间的速度变化情况。一般情况下,路段相邻时段交通状态不会发生剧烈变化,因此速度变化率可在一定程度上反映数据的可信度。
步骤203、根据路径推测得到的手机行驶路径和分类特征,判断无线移动数据对路链旅行时间计算的有效性,剔除无效数据干扰,将有效数据进行融合,得到路况信息。在路径推测中得到了一组匹配路段,这些匹配路段存在无效的,本步骤是根据每个路径推测结果的分类特征对推测路径进行分类,判断是否为有效路径,从而剔除无效数据。数据有效性判断是数据融合的一部分,数据融合是指将车辆行驶路径数据中的路链速度融合成为以路链为单位的旅行时间信息。有效数据识别是数据融合中的关键步骤,判别为有效数据的行驶轨迹数据才参与路况信息的计算。
此外,经过路径推测处理后将车辆行驶速度标定到路链上(两个切换点间的路径长度除以时间间隔就得到速度),而由于路径选择策略的调整和手机海量数据的特点,使得处理周期内同一条路链上普遍存在多个速度值(这是因为手机数据量大,一条路上会有很多手机数据,而且一个手机切换序列又会匹配到多条路上,因此同一条道路上会有很多组切换序列得到的速度值)。基于SVM分类算法的路况信息融合的目的是解决路径选择策略调整所引发的同一路链上信息的不可信问题。
路径推测后得到的手机数据样本集可表示为(xi,yi),其中i=1,2,…,n,x为切换单元属性向量Rd,d为分类特征个数,yi属于{+1,-1}是通过将路链速度与实际路测速度对比得到的分类标记,+1表示有效数据(速度相对误差小于30%),-1表示无效数据(速度相对误差大于30%)。通过对数据的观察发现,手机数据样本为非线性,为了保证分类效率,选择多项式核函数将属性空间映射到一个高维空间,在这个空间中求最优分类面,相应的分类决策函数为:
其中ai、bi为模型训练得到的最优化分超平面参数,K(xi,x)表示多项式核函数,x为待分类数据特征向量,xi为支持向量,yi为支持向量分类标记,sgn(x)为决策函数,当x>0时函数值为1,否则为-1。
路况信息融合是对每条路链上所有车辆产生的路况信息做进一步的融合处理,生成以路链为单位的实时动态交通信息,路况信息融合的流程如图6所示,包括:
步骤2031、读取训练好的SVM分类模型,计算支持向量多项式展开项值。通过与浮动车得到的路链速度进行对比,可将同一路链上的多条数据分为有效数据和无效数据两类。应用大量历史数据进行分类器训练,可得到SVM分类模型。SVM分类模型的训练实际上是寻找最优化分超平面的过程,该平面根据标识了类别属性的分类样本(本例中为与标准路测数据比较得到的经过路径推测的手机数据样本)通过求解凸二次规划问题得到,并且由支持向量和最优化分超平面参数表示。实时数据融合中首先需读入模型参数,包括核函数类型、类别数量、最优化分超平面参数、支持向量值。
由于模型支持向量数量较多(数万条),使得分类速度缓慢,无法满足实时计算要求。本实施例采用一种快速SVM分类算法,即将使用多项式核函数的SVM分类决策函数展开为关于待分类向量各分量的多项式,分类时通过计算各个多项式的值而得到分类结果,使分类计算量和支持向量数量无关,同时又保留了全部支持向量的信息。
步骤2032、读取路径推测数据,提取分类特征向量,并对分类特征值进行标准化,使其满足分类模型要求。所述分类特征向量是用分类特征值组成向量,用于分类器的输入。
步骤2033、通过多项式核函数将分类特征向量映射到高维空间,并根据支持向量展开项值计算待分类向量分类结果,如果分类结果大于0,执行步骤2035;否则执行步骤2034。
步骤2034、将该条路链信息保存为有效数据。
步骤2035、判断是否还有未处理数据,如果是,执行步骤2032;否则执行下一步。
步骤2036、根据保存的有效数据计算路况平均速度和旅行时间。
总之,以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (8)
1.一种路况信息实时获取方法,其特征在于,包括:
删除不满足路况信息计算的无线移动数据,进行路径推测,根据路径推测得到的行驶路径和分类特征值,判断无线移动数据对路链旅行时间计算的有效性,将有效数据进行融合,得到路况信息;
所述删除不满足路况信息计算的无线移动数据的步骤具体包括:
删除无效数据、非移动数据及非车载数据;
所述删除无效数据的方法具体包括:
根据手机状态删除处理周期内的非活跃用户的无线移动数据,所属基站的基站位置未覆盖市郊重要道路的无线移动数据,以及一个处理周期内记录数少于三条的手机的无线移动数据。
2.根据权利要求1所述的路况信息实时获取方法,其特征在于,所述删除非移动数据的方法具体包括:
删除连续通话中基站切换且切换基站坐标相同的无线移动数据。
3.根据权利要求2所述的路况信息实时获取方法,其特征在于,所述删除非车载数据的方法具体包括:
删除处理周期内基站切换序列中出现环路的手机无线移动数据。
4.根据权利要求3所述的路况信息实时获取方法,其特征在于,所述路径推测的步骤具体包括:
定位切换所在的网格,并获取该网格内的所有路段;
将网格内与切换位置距离小于预设阈值的路段添加到搜索路链集合中;
判断下一条手机无线移动数据记录是否发生切换,若是,则以两个切换基站中点作为手机位置;否则以基站位置作为手机位置;
在搜索路链集合中寻找匹配路段,所述匹配路段为手机位置投影落在该路段上或与该路段距离小于所述预设阈值。
5.根据权利要求4所述的路况信息实时获取方法,其特征在于,所述路径推测进一步包括获取支持向量机SVM的分类特征值的步骤,该步骤包括:
在进行路径推测输出多条匹配路段结果的同时,为每个匹配路段输出六类分类特征:数据漂移特征、切换序列完整性特征、时间性特征、距离特征、事件属性特征和速度变化率特征。
6.根据权利要求5所述的路况信息实时获取方法,其特征在于,所述六类分类特征的分类特征值的获取方法包括:
所述数据漂移特征值为切换序列中的平均漂移角度值,公式为:
其中DA为平均漂移角度,DAi切换序列各漂移角度,DN为同一切换序列中发生漂移的个数;
所述距离特征值为行驶距离与路链长度比及切换点距离;
所述切换序列完整性特征值为切换序列中匹配成功记录占总记录数的比例;
所述时间性特征值为切换间隔及切换记录的个数;
所述事件属性特征值为切换单元的手机无线移动数据中起始终止记录中的事件是否为小区切换和正常位置更新;
所述速度变化率特征值为相邻切换单元间的速度变化情况。
7.根据权利要求6所述的路况信息实时获取方法,其特征在于,所述将有效数据融合得到路况信息的步骤具体包括:
a、读取训练好的SVM分类模型,计算支持向量多项式展开项值;
b、读取所述路径推测的结果,提取分类特征向量,并对分类特征进行标准化;
c、通过多项式核函数将分类特征向量映射到高维空间,并根据所述支持向量多项式展开项值计算待分类向量分类结果,如果分类结果大于0,执行下一步;否则将该条路链信息保存为有效数据,执行下一步;
d、判断是否还有未处理数据,如果是,执行步骤b;否则执行下一步;
e、根据保存的有效数据计算路况平均速度和旅行时间。
8.根据权利要求7所述的路况信息实时获取方法,其特征在于,所述读取训练好的SVM分类模型,计算支持向量多项式展开项值的步骤具体包括:
根据标识了类别属性的分类样本求解凸二次规划问题得到最优化分超平面,该平面由支持向量和最优化分超平面参数表示,完成SVM分类模型的训练;
将使用多项式核函数的SVM分类决策函数展开为关于待分类向量各分量的多项式,分类时通过计算各个多项式的值而得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110412993.XA CN102496280B (zh) | 2011-12-13 | 2011-12-13 | 一种路况信息实时获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110412993.XA CN102496280B (zh) | 2011-12-13 | 2011-12-13 | 一种路况信息实时获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102496280A CN102496280A (zh) | 2012-06-13 |
CN102496280B true CN102496280B (zh) | 2014-04-23 |
Family
ID=46188099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110412993.XA Expired - Fee Related CN102496280B (zh) | 2011-12-13 | 2011-12-13 | 一种路况信息实时获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102496280B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722984B (zh) * | 2012-06-19 | 2015-01-28 | 张家港市鸿嘉数字科技有限公司 | 一种实时路况监控方法 |
TWI485665B (zh) * | 2012-07-09 | 2015-05-21 | Ind Tech Res Inst | 結合跨區域位置更新與通話之交通資訊估計方法與系統 |
CN104021680A (zh) * | 2014-06-18 | 2014-09-03 | 兴天通讯技术(天津)有限公司 | 基于移动终端的交通流预测方法及预测系统 |
CN104200667B (zh) * | 2014-09-19 | 2016-07-27 | 上海美慧软件有限公司 | 一种基于手机信号数据的交通拥堵分级检测方法 |
CN105243844A (zh) * | 2015-10-14 | 2016-01-13 | 华南理工大学 | 一种基于手机信令的道路状态识别方法 |
CN106611495A (zh) * | 2015-10-27 | 2017-05-03 | 北京航天长峰科技工业集团有限公司 | 基于浮动车实时数据的综合交通流量监测方法 |
CN106710208A (zh) * | 2015-11-16 | 2017-05-24 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN105702041A (zh) * | 2016-04-21 | 2016-06-22 | 东南大学 | 基于神经网络的高速公路多源数据融合状态估计系统及方法 |
CN106408936B (zh) * | 2016-07-28 | 2018-11-16 | 东南大学 | 一种基于手机数据的高速公路异常事件实时检测方法 |
CN108288377B (zh) * | 2017-01-09 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种路况信息的生成方法及装置 |
TWI615814B (zh) * | 2017-04-06 | 2018-02-21 | Zeng Ming De | 利用大數據之行動裝置位置分群、時制分群及產生交通時制計劃之方法 |
CN107463940B (zh) * | 2017-06-29 | 2020-02-21 | 清华大学 | 基于手机数据的车辆类型识别方法和设备 |
CN107644533B (zh) * | 2017-10-27 | 2021-02-12 | 上海云砥信息科技有限公司 | 基于移动网络数据的高速公路虚拟断面车流量监测方法 |
CN109003453B (zh) * | 2018-08-30 | 2020-05-22 | 中国人民解放军国防科技大学 | 基于支持向量机的浮动车路段平均速度短时预测方法 |
CN110954115A (zh) * | 2018-09-26 | 2020-04-03 | 上海擎感智能科技有限公司 | 路线关键信息生成方法及装置 |
TWI676397B (zh) * | 2018-10-18 | 2019-11-01 | 中華電信股份有限公司 | 運用行動網路信令資料之人工智慧車流推估系統及其方法 |
CN111402575A (zh) * | 2018-12-17 | 2020-07-10 | 中国移动通信集团北京有限公司 | 一种交通运行状态的评估方法及装置 |
CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
CN110175654B (zh) * | 2019-05-29 | 2021-06-01 | 广州小鹏自动驾驶科技有限公司 | 一种轨迹路标的更新方法及系统 |
TWI719640B (zh) * | 2019-09-17 | 2021-02-21 | 中華電信股份有限公司 | 偵測交通事件的方法及系統 |
CN110708664B (zh) * | 2019-10-11 | 2020-11-06 | 同帅科技(天津)有限公司 | 一种交通流感知方法、装置及计算机存储介质、电子设备 |
CN110827540B (zh) * | 2019-11-04 | 2021-03-12 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN111859291B (zh) * | 2020-06-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG146461A1 (en) * | 2007-03-15 | 2008-10-30 | Agis Pte Ltd | Location determination using sequential pattern recognition |
US20080242315A1 (en) * | 2007-03-27 | 2008-10-02 | Gm Global Technology Operations, Inc. | Traffic data collection utilizing a cellular communication network and probe units |
CN102081851A (zh) * | 2009-11-30 | 2011-06-01 | 国际商业机器公司 | 基于移动通信网络确定道路的通行速度的方法及设备 |
-
2011
- 2011-12-13 CN CN201110412993.XA patent/CN102496280B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102496280A (zh) | 2012-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496280B (zh) | 一种路况信息实时获取方法 | |
CN104050817B (zh) | 限速信息库生成、限速信息检测的方法和系统 | |
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
CN105261212B (zh) | 一种基于出租车gps数据地图匹配的出行时空分析方法 | |
CN105138779A (zh) | 车载gps时空轨迹大数据优选方法及系统 | |
CN103093621B (zh) | 一种多源交通信息融合的处理方法和装置 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN106228808A (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN111612670A (zh) | 一种构建机动车排放清单的方法、装置和计算机设备 | |
CN102968900A (zh) | 一种对rfid交通数据进行处理的方法 | |
CN104217593A (zh) | 一种面向手机移动速度的路况信息实时获取方法 | |
CN108765961A (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
Lyu et al. | Variable speed limit control for delay and crash reductions at freeway work zone area | |
CN102708689A (zh) | 一种实时路况监控系统 | |
CN102722984A (zh) | 一种实时路况监控方法 | |
Cheng et al. | Developing a travel time estimation method of freeway based on floating car using random forests | |
Deng et al. | Heterogenous trip distance-based route choice behavior analysis using real-world large-scale taxi trajectory data | |
Allström et al. | Mobile Millennium Stockholm | |
Zong et al. | Bus-Car Mode Identification: Traffic Condition–Based Random-Forests Method | |
CN106408936A (zh) | 一种基于手机数据的高速公路异常事件实时检测方法 | |
Blazquez et al. | An instance-specific parameter tuning approach using fuzzy logic for a post-processing topological map-matching algorithm | |
CN102156909A (zh) | 一种基于手机信号数据的轨道交通出行方式识别方法 | |
Dong et al. | Urban community structure detection based on the OD of traffic analysis zones | |
Li et al. | A simulation approach to detect arterial traffic congestion using cellular data | |
Abbas et al. | Evaluation of the use of streaming graph processing algorithms for road congestion detection |
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 | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20161012 Address after: 18, building 1006, block C, Shenzhen International Innovation Center, No. 518033 Shennan Road, Shenzhen, Guangdong, Futian District Patentee after: Shenzhen Air Technology Co., Ltd. Address before: 100191 Haidian District, Xueyuan Road, No. 37, Patentee before: Beihang University |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140423 Termination date: 20171213 |
|
CF01 | Termination of patent right due to non-payment of annual fee |