CN102509445A - 路况预测因素的筛选方法及装置 - Google Patents
路况预测因素的筛选方法及装置 Download PDFInfo
- Publication number
- CN102509445A CN102509445A CN2011103191346A CN201110319134A CN102509445A CN 102509445 A CN102509445 A CN 102509445A CN 2011103191346 A CN2011103191346 A CN 2011103191346A CN 201110319134 A CN201110319134 A CN 201110319134A CN 102509445 A CN102509445 A CN 102509445A
- Authority
- CN
- China
- Prior art keywords
- car speed
- road
- chain
- holidays
- festivals
- 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
本发明公开了一种路况预测因素的筛选方法及装置,涉及交通信息处理领域,实现了对路况预测因素筛选的方法,为人们的出行提供了更加及时准确的动态交通信息服务。本发明包括:获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据;根据所述时间序列格式的交通数据,生成节假日特征参数值;将所述节点日特征参数值与预设特征参数值进行比较;若所述节假日特征参数值大于或等于所述预设特征参数值,则选择节假日为路况预测因素。本发明实施例主要应用于对路况预测因素筛选的处理过程中。
Description
技术领域
本发明涉及交通信息处理领域,尤其涉及一种路况预测因素的筛选方法及装置。
背景技术
在交通信息的研究中,分析道路历史数据,能找到多个能够反映道路特征的因素,这些因素可用于进行路况预测,目前针对路况预测这一动态交通信息发布的高精度、广覆盖的要求,需要一种能够实现对路况预测因素筛选的方法。
发明内容
本发明的实施例提供一种路况预测因素的筛选方法及装置,实现了对路况预测因素筛选的方法,为人们的出行提供了更加及时准确的动态交通信息服务。
为达到上述目的,本发明的实施例采用如下技术方案:
一种路况预测因素的筛选方法,包括:
获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据,所述时间序列格式的交通数据是按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储的交通数据;
根据所述时间序列格式的交通数据,生成节假日特征参数值;
将所述节点日特征参数值与预设特征参数值进行比较;
若所述节假日特征参数值大于或等于所述预设特征参数值,则选择节假日为路况预测因素。
一种路况预测因素的筛选装置,包括:
格式转化处理单元,用于获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据,所述时间序列格式的交通数据是按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储的交通数据;
第一生成单元,用于根据所述时间序列格式的交通数据,生成节假日特征参数值;
比较单元,用于将所述节点日特征参数值与预设特征参数值进行比较;
选择单元,用于在所述节假日特征参数值大于或等于所述预设特征参数值时,则选择节假日为路况预测因素。
本发明实施例提供的路况预测因素的筛选方法及装置,通过处理与节假日相关的历史数据,获取节假日特征参数值,并将所述节假日特征参数值与预设特征参数进行比较来确定是否选择节假日为路况预测因素,实现了对节假日这一路况预测因素的筛选方法,为节假日期间人们的出行提供了更加及时准确的动态交通信息服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供中的一种路况预测因素的筛选方法流程图;
图2为本发明实施例提供中的另一种路况预测因素的筛选方法流程图;
图3为本发明实施例提供中的另一种路况预测因素的筛选方法流程图;
图4为本发明实施例提供中的另一种路况预测因素的筛选方法流程图;
图5为本发明实施例提供中的一种路况预测因素的筛选装置的组成框图;
图6为本发明实施例提供中的另一种路况预测因素的筛选装置的组成框图;
图7为本发明实施例提供中的另一种路况预测因素的筛选装置的组成框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例提供了一种路况预测因素的筛选方法,如图1所示,该方法包括:
101、获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据,所述时间序列格式的交通数据是按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储的交通数据。
其中,所述与节假日相关的历史交通数据可以为但不局限于与所述节假日前后相邻的一天或几天的历史交通数据,本发明对此不进行限制,用户可根据实际情况自行设置。
其中,所述历史交通数据格式可以为但不局限于以GPS(Global PositionSystem,全球定位系统)数据为主的CData数据以及基于所述CData数据处理进一步得到的Tjam数据,本发明对此不进行限制,用户可根据实际情况自行设置。
102、根据所述时间序列格式的交通数据,生成节假日特征参数值。
103、将所述节点日特征参数值与预设特征参数值进行比较。
104、若所述节假日特征参数值大于或等于所述预设特征参数值,则选择节假日为路况预测因素。
本发明实施例提供的路况预测因素的筛选方法,通过处理与节假日相关的历史数据,获取节假日特征参数值,并将所述节假日特征参数值与预设特征参数进行比较来确定是否选择节假日为路况预测因素,实现了对节假日这一路况预测因素的筛选方法。
实施例2
本发明实施例提供了一种路况预测因素的筛选方法,如图2所示,该方法包括:
201、获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据,所述时间序列格式的交通数据是按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储的交通数据。
需要说明的是,所述时间序列格式的交通数据按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储可以但不局限于通过以下方式实现,具体为:
所述时间序列格式的交通数据以Excel表格形式存储,其中,单条链路上一天内多个时间节点的车辆速度构成所述Excel表格中的一列,本发明对此不进行限制,用户可根据实际情况自行设置。
202、根据所述时间序列格式的交通数据,生成节假日特征参数值。
在本实施例中,所述步骤202以以下方式实现,如图3所述,具体为:
2021、获取单条路链上一天内的多个时间节点对应存储的车辆速度,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行正态分布检验。
需要说明的是,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行正态分布检验可以但不局限于通过以下方式实现,具体为:
将单条路链上一天内的多个时间节点对应存储的车辆速度发送到SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案)工具中,以使得所述SPSS工具进行Q-Q检验,将所述车辆速度的分布概率情况以图表的形式输出,所述Q-Q检验为一种正态分布检验。
根据所述图表的形状,判定所述单条路链上一天内的多个时间节点对应存储的车辆速度是否符合正态分布。
2022、若所述单条路链上一天内的多个时间节点对应存储的车辆速度符合正态分布,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行配对样本t检验,对应生成节假日特征参数值。
需要说明的是,所述配对样本t检验在本实施例中具体可以通过以下方式实现,具体为:
选取符合正态分布的单条链路上两天的车辆速度,使用公式1、公式2及公式3计算出统计观测值T,并根据统计量的分布表计算出统计观测值发生的概率值,记为节假日特征参数值。
其中,T为观测统计量;D和SD分布被称为数列的均值和修正样本标准差,即单条路链上一天中时间节点对应存储的车辆速度的均值和修正样本标准差;n为一个数列包含的数值个数,即单条路链上一天中的时间节点个数;Xi1和Xi2为一个数列中包含的数值,即对应单条路链上一天中的时间节点存储的车辆速度。
203、将所述节点日特征参数值与预设特征参数值进行比较。
其中,所述预设特征参数值可以但不局限于为0.05,本发明对此不进行限制,用户可根据实际情况自行设置。
204、若所述节假日特征参数值大于或等于所述预设特征参数值,则选择节假日为路况预测因素。
进一步的,为了填补获取的历史交通数据中缺失的数据,降低对分析结果的影响,在执行步骤201之后,如图4所示,该方法还包括:
205、扫描所述时间序列格式的交通数据,获取没有对应存储车辆速度的空白时间节点。
206、根据预定规则,生成车辆速度填补值,并对应所述空白时间节点存储起来,以使得所述单条路链上一天内的多个时间节点都对应存储着车辆速度。
其中,所述车辆速度填补值包括时间加权车辆速度及空间速度加权车辆速度;所述根据预定规则,生成车辆速度填补值可以根据以下方式实现,具体为:
根据所述没有对应存储车辆速度的时间节点相邻的时间节点上存储的车辆速度,生成时间加权车辆速度;或
根据所述没有对应存储车辆速度的时间节点所在的路链的相邻路链在所述时间存储的车辆速度,生成空间加权车辆速度。
需要说明的是,所述根据所述没有对应存储车辆速度的时间节点相邻的时间节点上存储的车辆速度,生成时间加权车辆速度可以但不局限于通过以下方式实现,具体为:
使用加权平均值计算方法生成所述时间加权车辆速度,即在时间上离空白时间节点越近的时间节点上存储的车辆速度占高权重,离空白时间节点越远的时间节点上存储的车辆速度占低权重,将所述车辆速度乘以所述车辆速度对应的权重,然后求和,得到所述时间加权车辆速度。其中,所有所述权重加起来和为1。
以表1内的数据为例,在在10:00AM时间节点没有存储的车辆速度,可将时间节点8:00AM的车辆速度60km/h设置权重为0.2,时间节点9:00AM的车辆速度70km/h设置权重为0.3,时间节点11:00AM的车辆速度75km/h设置权重为0.3,时间节点12:00的车辆速度65km/h设置权重为0.2,则四个时间节点的权重和为1,然后对60*0.2、70*0.3、75*0.3、65*0.2求和得到时间加权车辆速度68.5km/h,作为对应时间节点10:00AM的车辆速度填补值进行存储。
表1:单条路链上一天内对应时间节点8:00AM至12:00存储的车辆速度表
8:00AM | 9:00AM | 10:00AM | 11:00AM | 12:00 |
60km/h | 70km/h | 75km/h | 65km/h |
所述根据所述没有对应存储车辆速度的时间节点所在的路链的相邻路链在所述时间存储的车辆速度,生成空间加权车辆速度的实现方法与上述根据所述没有对应存储车辆速度的时间节点相邻的时间节点上存储的车辆速度,生成时间加权车辆速度方法类似,本发明实施例对此不再赘述。
在本实施例中,对获取的历史交通数据进行缺失数据填补,可以完善数据信息,以使得经过后续处理得到的结果更加精确。
本发明实施例提供的路况预测因素的筛选方法,通过处理与节假日相关的历史数据,获取节假日特征参数值,并将所述节假日特征参数值与预设特征参数进行比较来确定是否选择节假日为路况预测因素,实现了对节假日这一路况预测因素的筛选方法,为节假日期间人们的出行提供了更加及时准确的动态交通信息服务。
实施例3
本发明实施例中提供了一种路况预测因素的筛选装置,如图5所示,该装置包括:格式转化处理单元31、第一生成单元32、比较单元33、选择单元34。
格式转化处理单元31,用于获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据,所述时间序列格式的交通数据是按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储的交通数据。
第一生成单元32,用于根据所述格式转化处理单元31生成的所述时间序列格式的交通数据,生成节假日特征参数值。
比较单元33,用于将所述第一生成单元32生成的所述节点日特征参数值与预设特征参数值进行比较。
选择单元34,用于在所述第一生成单元32生成的所述节假日特征参数值大于或等于所述预设特征参数值时,则选择节假日为路况预测因素。
进一步的,如图6所示,该装置还包括:扫描单元35、第二生成单元36。
扫描单元35,用于扫描所述格式转化处理单元31生成的所述时间序列格式的交通数据,获取没有对应存储车辆速度的空白时间节点。
第二生成单元36,用于根据预定规则,生成车辆速度填补值,并对应所述扫描单元35获取的所述空白时间节点存储起来,以使得所述单条路链上一天内的多个时间节点都存储着车辆速度。
进一步的,所述车辆速度填补值包括时间加权车辆速度及空间速度加权车辆速度;所述第二生成单元36还用于根据所述没有对应存储车辆速度的时间节点相邻的时间节点上存储的车辆速度,生成时间加权车辆速度;或
根据所述没有对应存储车辆速度的时间节点所在的路链的相邻路链在所述时间存储的车辆速度,生成空间加权车辆速度。
进一步的,如图7所示,所述第一生成单元32包括:检验模块321、生成模块322。
检验模块321,用于获取单条路链上一天内的多个时间节点对应存储的车辆速度,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行正态分布检验。
生成模块322,用于在所述单条路链上一天内的多个时间节点对应存储的车辆速度符合正态分布时,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行配对样本t检验,对应生成节假日特征参数值。
本发明实施例提供的路况预测因素的筛选装置,通过处理与节假日相关的历史数据,获取节假日特征参数值,并将所述节假日特征参数值与预设特征参数进行比较来确定是否选择节假日为路况预测因素,实现了对节假日这一路况预测因素的筛选方法,为节假日期间人们的出行提供了更加及时准确的动态交通信息服务;并且针对获取的历史交通数据中的缺失数据进行填补,使得分析结果更加精确。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘,硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
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 (8)
1.一种路况预测因素的筛选方法,其特征在于,包括:
获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据,所述时间序列格式的交通数据是按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储的交通数据;
根据所述时间序列格式的交通数据,生成节假日特征参数值;
将所述节点日特征参数值与预设特征参数值进行比较;
若所述节假日特征参数值大于或等于所述预设特征参数值,则选择节假日为路况预测因素。
2.根据权利要求1所述的路况预测因素的筛选方法,其特征在于,在所述获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据之后,包括:
扫描所述时间序列格式的交通数据,获取没有对应存储车辆速度的空白时间节点;
根据预定规则,生成车辆速度填补值,并对应所述空白时间节点存储起来,以使得所述单条路链上一天内的多个时间节点都存储着车辆速度。
3.根据权利要求2所述的路况预测因素的筛选方法,其特征在于,所述车辆速度填补值包括时间加权车辆速度及空间速度加权车辆速度;
所述根据预定规则,生成车辆速度填补值包括:
根据所述没有对应存储车辆速度的时间节点相邻的时间节点上存储的车辆速度,生成时间加权车辆速度;或
根据所述没有对应存储车辆速度的时间节点所在的路链的相邻路链在所述时间存储的车辆速度,生成空间加权车辆速度。
4.根据权利要求1所述的路况预测因素的筛选方法,其特征在于,所述根据所述时间序列格式的交通数据,生成节假日特征参数值包括:
获取单条路链上一天内的多个时间节点对应存储的车辆速度,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行正态分布检验;
若所述单条路链上一天内的多个时间节点对应存储的车辆速度符合正态分布,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行配对样本t检验,对应生成节假日特征参数值。
5.一种路况预测因素的筛选装置,其特征在于,包括:
格式转化处理单元,用于获取与节假日相关的历史交通数据,并进行格式转化处理,生成时间序列格式的交通数据,所述时间序列格式的交通数据是按照在单条路链上一天内的多个时间节点对应存储车辆速度的格式存储的交通数据;
第一生成单元,用于根据所述格式转化处理单元生成的所述时间序列格式的交通数据,生成节假日特征参数值;
比较单元,用于将所述第一生成单元生成的所述节点日特征参数值与预设特征参数值进行比较;
选择单元,用于在所述第一生成单元生成的所述节假日特征参数值大于或等于所述预设特征参数值时,则选择节假日为路况预测因素。
6.根据权利要求5所述的路况预测因素的筛选装置,其特征在于,所述装置还包括:
扫描单元,用于扫描所述时间序列格式的交通数据,获取没有对应存储车辆速度的空白时间节点;
第二生成单元,用于根据预定规则,生成车辆速度填补值,并对应所述空白时间节点存储起来,以使得所述单条路链上一天内的多个时间节点都存储着车辆速度。
7.根据所述权利要求6所述的路况预测因素的筛选装置,其特征在于,所述车辆速度填补值包括时间加权车辆速度及空间速度加权车辆速度;
所述第二生成单元还用于根据所述没有对应存储车辆速度的时间节点相邻的时间节点上存储的车辆速度,生成时间加权车辆速度;或
根据所述没有对应存储车辆速度的时间节点所在的路链的相邻路链在所述时间存储的车辆速度,生成空间加权车辆速度。
8.根据权利要求5所述的路况预测因素的筛选装置,其特征在于,所述第一生成单元包括:
检验模块,用于获取单条路链上一天内的多个时间节点对应存储的车辆速度,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行正态分布检验;
生成模块,用于在所述单条路链上一天内的多个时间节点对应存储的车辆速度符合正态分布时,对所述单条路链上一天内的多个时间节点对应存储的车辆速度进行配对样本t检验,对应生成节假日特征参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103191346A CN102509445B (zh) | 2011-10-19 | 2011-10-19 | 路况预测因素的筛选方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103191346A CN102509445B (zh) | 2011-10-19 | 2011-10-19 | 路况预测因素的筛选方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102509445A true CN102509445A (zh) | 2012-06-20 |
CN102509445B CN102509445B (zh) | 2013-12-04 |
Family
ID=46221521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103191346A Active CN102509445B (zh) | 2011-10-19 | 2011-10-19 | 路况预测因素的筛选方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509445B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617726A (zh) * | 2013-11-29 | 2014-03-05 | 北京掌城科技有限公司 | 粗粒度交通状态转换为细粒度速度的方法 |
WO2018188462A1 (zh) * | 2017-04-14 | 2018-10-18 | 腾讯科技(深圳)有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997009635A1 (de) * | 1995-09-01 | 1997-03-13 | Konle, Tilmar | System zur lagebestimmung von beweglichen objekten |
KR100642281B1 (ko) * | 2006-05-04 | 2006-11-10 | 김은주 | 도로대장작성을 위한 거리측정장치 및 방법 |
CN101694743A (zh) * | 2009-08-25 | 2010-04-14 | 北京世纪高通科技有限公司 | 预测路况的方法和装置 |
CN101739820A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 路况预测的方法及装置 |
CN101763730A (zh) * | 2009-12-30 | 2010-06-30 | 北京世纪高通科技有限公司 | 交通路况信息填补方法和系统 |
CN101763729A (zh) * | 2009-12-29 | 2010-06-30 | 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 |
CN101989381A (zh) * | 2010-11-15 | 2011-03-23 | 福建工程学院 | 基于浮动车技术的道路单向限行与通行状态识别方法 |
-
2011
- 2011-10-19 CN CN2011103191346A patent/CN102509445B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997009635A1 (de) * | 1995-09-01 | 1997-03-13 | Konle, Tilmar | System zur lagebestimmung von beweglichen objekten |
KR100642281B1 (ko) * | 2006-05-04 | 2006-11-10 | 김은주 | 도로대장작성을 위한 거리측정장치 및 방법 |
CN101694743A (zh) * | 2009-08-25 | 2010-04-14 | 北京世纪高通科技有限公司 | 预测路况的方法和装置 |
CN101739820A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 路况预测的方法及装置 |
CN101763729A (zh) * | 2009-12-29 | 2010-06-30 | 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 |
CN101763730A (zh) * | 2009-12-30 | 2010-06-30 | 北京世纪高通科技有限公司 | 交通路况信息填补方法和系统 |
CN101989381A (zh) * | 2010-11-15 | 2011-03-23 | 福建工程学院 | 基于浮动车技术的道路单向限行与通行状态识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617726A (zh) * | 2013-11-29 | 2014-03-05 | 北京掌城科技有限公司 | 粗粒度交通状态转换为细粒度速度的方法 |
CN103617726B (zh) * | 2013-11-29 | 2015-06-24 | 北京掌城科技有限公司 | 粗粒度交通状态转换为细粒度速度的方法 |
WO2018188462A1 (zh) * | 2017-04-14 | 2018-10-18 | 腾讯科技(深圳)有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN108734955A (zh) * | 2017-04-14 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 预测路况状态的方法及装置 |
CN108734955B (zh) * | 2017-04-14 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 预测路况状态的方法及装置 |
US11305780B2 (en) | 2017-04-14 | 2022-04-19 | Tencent Technology (Shenzhen) Company Ltd | Road condition status prediction method, device, and server, and storage medium |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN102509445B (zh) | 2013-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
Lavalle et al. | A high resolution land use/cover modelling framework for Europe: Introducing the EU-ClueScanner100 model | |
Xing‐zhu et al. | Exploratory space–time analysis of inbound tourism flows to China cities | |
Wu et al. | Exact and heuristic algorithms for rapid and station arrival-time guaranteed bus transportation via lane reservation | |
Wang et al. | Integrated DEA models and grey system theory to evaluate past-to-future performance: a case of Indian electricity industry | |
CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
Wismans et al. | Improving a priori demand estimates transport models using mobile phone data: a Rotterdam-region case | |
CN104899228A (zh) | 一种发布网页资源的方法及装置 | |
CN111695722A (zh) | 一种城市轨道交通车站节假日短时客流预测方法 | |
CN102509445B (zh) | 路况预测因素的筛选方法及装置 | |
Abdolmanafi et al. | Evaluation of global ensemble prediction models for forecasting medium to heavy precipitations | |
CN108876056A (zh) | 一种共享自行车需求量预测方法、装置、设备及存储介质 | |
Zheng et al. | Improved iterative prediction for multiple stop arrival time using a support vector machine | |
CN101801004A (zh) | 基于先验知识的自适应话务量中长期预测方法 | |
CN114912854B (zh) | 地铁列车运行调整方法、装置、电子设备及存储介质 | |
Lu et al. | Creating an agent-based long-haul freight transport model for Germany | |
Hagen‐Zanker et al. | Adaptive zoning for transport mode choice modeling | |
CN112613662B (zh) | 公路交通量分析方法、装置、电子设备和存储介质 | |
CN111861040B (zh) | 公交线路的优化调整方法及装置、设备、存储介质 | |
CN111489039B (zh) | 共享单车总量预测方法及系统 | |
Deflorio et al. | Freight distribution performance indicators for service quality planning in large transportation networks | |
CN113642162A (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
CN115412852A (zh) | 移动终端的运动轨迹确定方法及系统 | |
Osorio et al. | Solving large-scale urban transportation problems by combining the use of multiple traffic simulation models | |
CN110738373A (zh) | 一种土地交通生成和分布预测方法及系统 |
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 |