CN102509454A - 基于fcd与地磁检测器的道路状态融合方法 - Google Patents
基于fcd与地磁检测器的道路状态融合方法 Download PDFInfo
- Publication number
- CN102509454A CN102509454A CN2011103417319A CN201110341731A CN102509454A CN 102509454 A CN102509454 A CN 102509454A CN 2011103417319 A CN2011103417319 A CN 2011103417319A CN 201110341731 A CN201110341731 A CN 201110341731A CN 102509454 A CN102509454 A CN 102509454A
- Authority
- CN
- China
- Prior art keywords
- density
- road
- highway section
- speed
- fcd
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于FCD与地磁检测器的道路状态融合方法，该方法包括下列顺序的步骤：利用浮动车检测路网各个路段的浮动点数据，经处理得到各个路段的速度信息；利用地磁检测器检测路网各个路段检测点的占有率数据，经处理得到各个路段的密度信息；后台服务器实时接收浮动车与地磁检测器传回的数据，经过处理得到速度-密度回归关系式，将路段实时密度、速度信息融入后台服务器的数据库，实时更新密度-速度线性回归方程式。利用浮动车检测路网车流速度，利用地磁检测器检测路网车流密度，后台服务器数据库根据路网各个路段速度-密度回归方程式属性，转换同质的交通参数数据进行交通状态的融合与提取，为交通信息的发布系统提供基础数据。
Description
技术领域
本发明涉及多源数据融合领域，尤其是一种基于FCD与地磁检测器的道路状态融合方法。
背景技术
FCD（Floating Car Data）是利用浮动车采集的车辆位置变化信息进行实时道路交通状态动态提取的系统，其中包括GPS数据预处理、地图匹配、路径推测和历史速度补充等浮动车数据处理的核心算法。利用带有GPS的浮动车可以实时采集车辆的位移信息，将时间序列的车辆位置坐标与地图进行匹配，可以得到浮动车辆的速度数据，取路段所有浮动点速度的空间平均值可以得路段的实时平均速度，将一定周期内的路段实时速度进行算术平均可以得到道路的周期平均速度，进而可以提取道路的交通状态数据。
FCD通过速度计算模型，计算当前时间所经过路段的车辆行驶速度和平均旅行时间，可以实时提取道路交通状态，但是没有GPS覆盖或者覆盖样本数较小的路段，就无法准确获取道路状态信息，无法为出行人和交通管理者提供可靠的决策信息。
发明内容
本发明的目的在于提供一种将FCD速度数据与地磁检测器检测的密度数据进行融合得到路段的交通状态，提高交通状态提取的准确度，为出行人和交通管理者提供可靠的决策信息的基于FCD与地磁检测器的道路状态融合方法。
为实现上述目的，本发明采用了以下技术方案：一种基于FCD与地磁检测器的道路状态融合方法，该方法包括下列顺序的步骤：
（1）利用浮动车检测路网各个路段的浮动点数据，经处理得到各个路段的速度信息，并将所有路段的速度信息实时上传至后台服务器；
（2）利用地磁检测器检测路网各个路段检测点的占有率数据，经处理得到各个路段的密度信息，并将所有拥有地磁检测器的路段的密度信息实时上传至后台服务器；
（3）后台服务器实时接收浮动车与地磁检测器传回的数据，经过处理得到速度-密度回归关系式，将路段实时密度、速度信息融入后台服务器的数据库，实时更新密度-速度线性回归方程式。
由上述技术方案可知，本发明利用浮动车车辆检测道路网车流速度，并将车流速度信息数据发送至后台服务器，利用地磁检测器检测道路网车流密度，并将车流密度信息数据发送至后台服务器，后台服务器数据库根据路网各个路段速度-密度回归方程式属性，转换同质的交通参数数据进行交通状态的融合与提取，为交通信息的发布系统提供基础数据。本发明充分地利用了浮动车与地磁检测器的特性，两者的取长补短提高了的道路交通状态提取的准确度。
附图说明
图1是本发明的工作流程图；
图2是本发明的基于密度的道路状态划分示意图；
图3是本发明的基于速度的道路状态划分示意图；
图4是本发明密度-速度道路状态划分对应关系图；
图5是基于FCD的道路状态划分的速度区间值；
图6是基于地磁的道路状态划分的密度区间值。
具体实施方式
一种基于FCD与地磁检测器的道路状态融合方法，该方法包括下列顺序的步骤：（1）利用浮动车检测路网各个路段的浮动点数据，经处理得到各个路段的速度信息，并将所有路段的速度信息实时上传至后台服务器；（2）利用地磁检测器检测路网各个路段检测点的占有率数据，经处理得到各个路段的密度信息，并将所有拥有地磁检测器的路段的密度信息实时上传至后台服务器；（3）后台服务器实时接收浮动车与地磁检测器传回的数据，经过处理得到速度-密度回归关系式，将路段实时密度、速度信息融入后台服务器的数据库，实时更新密度-速度线性回归方程式，如图1所示。
所述的浮动车是指带有用于记录时间点和位置信息的GPS模块的所有车辆，地磁检测器采用无线地磁检测器，无线地磁检测器布置在路段中部，每个车道至少安装一个无线地磁检测器，无线地磁检测器与布置在其旁侧的控制器无线通讯，控制器与后台服务器通讯。
地磁检测器是利用地磁磁场变化信息进行实时车辆检测的系统，可以实时返回车辆经过地磁检测器的地磁信号变化，将信号变化曲线进行处理可以得出路段密度、速度、流量等交通参数，所以FCD与地磁检测器是交通信息采集与处理的有效方式。利用Marksman协议，地磁检测器可以周期性地返回车辆的编号、时间、车间距、车速（两个检测器才会有）、车长、车辆在检测器上占有的时间等原始数据，通过适当的算法我们可以计算各种交通参数值，进而可以道路交通状态。
以下结合图1对本发明作进一步的说明。
1、所述的GPS模块实时反馈车辆所处的位置和时间信息，结合GIS地理信息系统进行地图匹配，所述FCD系统每隔5分钟统计路段平均车流速度，计算公式如下：
N--周期时间内经过路段的车辆总数，单位辆；
-- 周期时间内路段平均速度，单位km/h；
公式（1）可以计算出路段的空间平均车流速度，浮动车的车辆数越多，平均速度越能反映路段的准确交通状态。
2、无线地磁检测器的控制器提取无线地磁检测器的时间占有率，提取公式如下：
T--时间计算周期；
tocc(n) --第n辆车压地磁感应线的时间；
tocc--T周期时间内的时间占有率；
N--T周期时间内被检测到的车辆数；
利用地磁检测器可以实时返回地磁检测器点的时间占有率，周期时间与浮动车数据时间同步，而且都是5分钟更新一次。
3、估算周期时间内经过路段的平均车辆长度，估算公式如下：
N--周期时间内经过路段的车辆总数，单位辆；
为了道路状态融合算法的准确性，需要最大限度的提高估算的精度，根据条件的不同，提供下面两种解决方案：
a）利用地磁检测器计算出平均车辆长度
将检测点连续埋设两个地磁检测器，利用适当的计算方法得出经过检测器的每辆车的长度，但是两个检测器地埋设增加了投入的成本，一般在正中车道上埋设两个检测器，以此估算检测点的平均车长。
b）利用大车与小车比例估算车辆长度
按照区域路网与道路等级划分大车与小车比例，这种方法会有一定的误差，按照精度要求的不同可以适当调整。
4、无线地磁检测器的控制器每隔5分钟统计路段平均车流密度，由无线地磁检测器的时间占有率数据计算得出各个检测点的密度值，计算公式如下：
（4）
k--车流密度；
--平均车辆长度；
Ld--检测器有效感区长度；
tocc--时间占有率。
5、根据各个检测器点的车流密度，将路段上所有检测点的密度值取平均就得到路段的平均车流密度，计算公式如下：
N--路段区间内所有检测器的总数量；
--每一个检测点的车流密度；
由公式（5）可以得知，路段上的检测器布设的数量越多，平均密度越能代表路段的准确车流密度状态。
6、后台服务器综合分析路网各个路段的密度-速度数据，利用线性回归统计分析方法得出特定路段密度与速度的线性回归方程式：
，其中
为路段平均车流速度, 
为路段自由速度，A为相关系数，
为路段平均车流密度，这是由密度提取的方程式。也可以由另一种由密度提取的算法得出特定路段密度与速度的线性回归方程式：后台服务器综合分析路网各个路段的密度-速度数据，利用线性回归统计分析方法得出特定路段密度与速度的线性回归方程式，
，其中
为路段平均车流速度, kjam为路段阻塞密度， B为相关系数，
为路段平均车流密度，这是由速度提取的方程式。
根据Greenshield交通流模型可以分析得出速度-密度回归关系式，如图4所示，即求出路段阻塞密度与线性回归相关系数。由于FCD系统预先规定了道路状态速度等级的划分区间，所以利用回归方程式可以求出密度的划分区间值，具体速度与密度的建议区间值见图5、图6。
由交通流理论可知，当路段平均速度处于最优密度或最优速度时，路段的交通流量达到最大值，道路利用效率也达到最大化，这是控制的终极目标。所以提取路段的最优速度与最优密度是进行交通状态划分与提取的关键环节之一，利用历史数据对各个等级路段的流量-密度、流量-速度数据进行高斯曲线拟合，得出两者之间的函数方程，进而可以推导出最优速度与最优密度，以及划分道路交通状态的标准区间。
如图3所示，对各等级特征路段进行试验分析，统计回归拟合速度-流量曲线，以最优速度为临界点将道路状态划分为两个大块：通畅与拥挤，然后再进行细分；同理，如图2所示，对各等级特征路段进行试验分析，统计回归拟合密度-流量曲线，以最优速度为临界点将道路状态划分为两个大块：通畅与拥挤，然后再进行细分；由上可以得到基于FCD与地磁检测的道路状态划分示意图。
当FCD速度数据与地磁检测器的车流密度数据同时发回后台服务器数据库时，需要利用以上的方法进行融合，现制定了密度-速度数据融合算法融合规范，规范规定三个类别的组合情形：
1）没有地磁检测器的路段只用速度状态提取；
2）有地磁检测的路段，但是浮动车样本数小于4，只用密度状态提取；
3）有地磁检测的路段，GPS样本数不小于4，利用密度与速度的线性关系式将速度转换为密度，然后取两个密度的平均值，然后进行状态提取归类。
在运行一个月左右时间后，形成道路网FCD数据状态提取数据库、地磁检测状态数据库、基于FCD与地磁检测的融合状态数据库，以及经过试验与视频分析的真实路况数据库，四者的比对可以得出基于FCD与地磁检测的道路状态融合算法的准确度分析表（每天报告一次），算法融合了浮动车与地磁检测器的特性，可以有效提高的道路交通状态提取的准确度，实现实时路况的准确发布。
总之，FCD主要是利用路段速度信息将路段划分为若干状态，由于路段速度与密度大体上是线性回归关系，所以可以利用地磁检测器提取路段密度信息，然后将FCD速度与地磁密度数据进行融合就可以得到路段的交通状态，地磁数据的融合算法可以大大提高交通状态提取的准确度，为出行人和交通管理者提供可靠的决策信息。
Claims (9)
1.一种基于FCD与地磁检测器的道路状态融合方法，该方法包括下列顺序的步骤：
（1）利用浮动车检测路网各个路段的浮动点数据，经处理得到各个路段的速度信息，并将所有路段的速度信息实时上传至后台服务器；
（2）利用地磁检测器检测路网各个路段检测点的占有率数据，经处理得到各个路段的密度信息，并将所有拥有地磁检测器的路段的密度信息实时上传至后台服务器；
（3）后台服务器实时接收浮动车与地磁检测器传回的数据，经过处理得到速度-密度回归关系式，将路段实时密度、速度信息融入后台服务器的数据库，实时更新密度-速度线性回归方程式。
2.根据权利要求1所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：所述的浮动车是指带有用于记录时间点和位置信息的GPS模块的所有车辆，地磁检测器采用无线地磁检测器，无线地磁检测器布置在路段中部，每个车道至少安装一个无线地磁检测器，无线地磁检测器与布置在其旁侧的控制器无线通讯，控制器与后台服务器通讯。
3.根据权利要求1所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：所述的GPS模块实时反馈车辆所处的位置和时间信息，结合GIS地理信息系统进行地图匹配，FCD系统每隔5分钟统计路段平均车流速度，计算公式如下：
N--周期时间内经过路段的车辆总数，单位辆；
--每辆车的平均速度，单位km/h；
-- 周期时间内路段平均速度，单位km/h。
4.根据权利要求1所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：无线地磁检测器的控制器提取无线地磁检测器的时间占有率，提取公式如下：
T--时间计算周期；
tocc(n) --第n辆车压地磁感应线的时间；
tocc--T周期时间内的时间占有率；
N--T周期时间内被检测到的车辆数。
5.根据权利要求1所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：估算周期时间内经过路段的平均车辆长度，估算公式如下：
N--周期时间内经过路段的车辆总数，单位辆；
6.根据权利要求4所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：无线地磁检测器的控制器每隔5分钟统计路段平均车流密度，由无线地磁检测器的时间占有率数据计算得出各个检测点的密度值，计算公式如下：
k--车流密度；
Ld--检测器有效感区长度；
tocc--时间占有率。
7.根据权利要求6所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：根据各个检测器点的车流密度，将路段上所有检测点的密度值取平均就得到路段的平均车流密度，计算公式如下：
N--路段区间内所有检测器的总数量；
8.根据权利要求3或7所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：后台服务器综合分析路网各个路段的密度-速度数据，利用线性回归统计分析方法得出特定路段密度与速度的线性回归方程式：，其中
为路段平均车流速度, 为路段自由速度，A为相关系数，
为路段平均车流密度。
9.根据权利要求3或7所述的基于FCD与地磁检测器的道路状态融合方法，其特征在于：后台服务器综合分析路网各个路段的密度-速度数据，利用线性回归统计分析方法得出特定路段密度与速度的线性回归方程式，
，其中
为路段平均车流速度, kjam为路段阻塞密度，B为相关系数，
为路段平均车流密度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110341731 CN102509454B (zh) | 2011-11-03 | 2011-11-03 | 基于fcd与地磁检测器的道路状态融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110341731 CN102509454B (zh) | 2011-11-03 | 2011-11-03 | 基于fcd与地磁检测器的道路状态融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102509454A true CN102509454A (zh) | 2012-06-20 |
| CN102509454B CN102509454B (zh) | 2013-09-11 |
Family
ID=46221530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110341731 Active CN102509454B (zh) | 2011-11-03 | 2011-11-03 | 基于fcd与地磁检测器的道路状态融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102509454B (zh) |
Cited By (15)
| 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 |
| CN103632546A (zh) * | 2013-11-27 | 2014-03-12 | 中国航天系统工程有限公司 | 一种基于浮动车数据的城市道路交通事故影响预测方法 |
| CN103914984A (zh) * | 2014-04-23 | 2014-07-09 | 银江股份有限公司 | 一种基于单元-区间协作的城市道路交通状态分析方法 |
| CN105096589A (zh) * | 2015-07-27 | 2015-11-25 | 福建工程学院 | 一种选取交通道路中代表性节点的方法、系统及客户端 |
| CN105489004A (zh) * | 2015-11-25 | 2016-04-13 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
| CN105788256A (zh) * | 2016-03-30 | 2016-07-20 | 北京交通大学 | 基于车联网的路况信息感知方法 |
| CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
| CN107798864A (zh) * | 2016-09-06 | 2018-03-13 | 高德信息技术有限公司 | 一种道路通行速度的计算方法和装置 |
| CN108028017A (zh) * | 2013-06-12 | 2018-05-11 | 罗伯特·博世有限公司 | 用于在机动车的驾驶员辅助系统中区分真实障碍物和虚假障碍物的方法 |
| CN108133602A (zh) * | 2017-11-17 | 2018-06-08 | 北京华道兴科技有限公司 | 一种城市交通信号控制方法和装置 |
| CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
| CN111063204A (zh) * | 2019-12-19 | 2020-04-24 | 浙江省交通规划设计研究院有限公司 | 一种基于收费站流量的高速公路车速预测模型训练方法 |
| CN111739293A (zh) * | 2020-06-10 | 2020-10-02 | 广东世纪高通科技有限公司 | 一种数据融合方法及装置 |
| CN111951555A (zh) * | 2020-08-20 | 2020-11-17 | 重庆大学 | 一种基于rfid数据的交通流速度临界相变区间估计方法 |
| CN114187766A (zh) * | 2021-11-08 | 2022-03-15 | 航天科工广信智能技术有限公司 | 一种基于饱和率的道路服务水平评价方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6092020A (en) * | 1996-02-08 | 2000-07-18 | Mannesmann Ag | Method and apparatus for obtaining traffic situation data |
| JP2002008183A (ja) * | 2000-05-10 | 2002-01-11 | Daimler Chrysler Ag | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 |
| CN101256083A (zh) * | 2008-04-09 | 2008-09-03 | 山东大学 | 基于动态信息的城市交通网络路径选择方法 |
| CN101493991A (zh) * | 2009-02-20 | 2009-07-29 | 北京交通大学 | 基于传感器网络的交通状态获取方法及其装置 |
| CN102074119A (zh) * | 2011-03-11 | 2011-05-25 | 安徽科力信息产业有限责任公司 | 基于地磁检测的自组织智能信号控制方法 |
-
2011
- 2011-11-03 CN CN 201110341731 patent/CN102509454B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6092020A (en) * | 1996-02-08 | 2000-07-18 | Mannesmann Ag | Method and apparatus for obtaining traffic situation data |
| JP2002008183A (ja) * | 2000-05-10 | 2002-01-11 | Daimler Chrysler Ag | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 |
| CN101256083A (zh) * | 2008-04-09 | 2008-09-03 | 山东大学 | 基于动态信息的城市交通网络路径选择方法 |
| CN101493991A (zh) * | 2009-02-20 | 2009-07-29 | 北京交通大学 | 基于传感器网络的交通状态获取方法及其装置 |
| CN102074119A (zh) * | 2011-03-11 | 2011-05-25 | 安徽科力信息产业有限责任公司 | 基于地磁检测的自组织智能信号控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 殷伟等: "一种基于FCD的城市道路车流速度估计算法", 《中国科学技术大学学报》 * |
| 王欣等: "用密度-流量关系模型解释交通流量陡降现象", 《西南交通大学学报》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108028017A (zh) * | 2013-06-12 | 2018-05-11 | 罗伯特·博世有限公司 | 用于在机动车的驾驶员辅助系统中区分真实障碍物和虚假障碍物的方法 |
| CN108028017B (zh) * | 2013-06-12 | 2021-04-27 | 罗伯特·博世有限公司 | 用于在机动车的驾驶员辅助系统中区分障碍物的方法 |
| CN103632546B (zh) * | 2013-11-27 | 2016-01-20 | 中国航天系统工程有限公司 | 一种基于浮动车数据的城市道路交通事故影响预测方法 |
| CN103632546A (zh) * | 2013-11-27 | 2014-03-12 | 中国航天系统工程有限公司 | 一种基于浮动车数据的城市道路交通事故影响预测方法 |
| 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 |
| CN103914984A (zh) * | 2014-04-23 | 2014-07-09 | 银江股份有限公司 | 一种基于单元-区间协作的城市道路交通状态分析方法 |
| CN103914984B (zh) * | 2014-04-23 | 2016-01-20 | 银江股份有限公司 | 一种基于单元-区间协作的城市道路交通状态分析方法 |
| CN105096589A (zh) * | 2015-07-27 | 2015-11-25 | 福建工程学院 | 一种选取交通道路中代表性节点的方法、系统及客户端 |
| CN105096589B (zh) * | 2015-07-27 | 2017-05-03 | 福建工程学院 | 一种选取交通道路中代表性节点的方法、系统及客户端 |
| CN105489004A (zh) * | 2015-11-25 | 2016-04-13 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
| CN105489004B (zh) * | 2015-11-25 | 2019-01-11 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
| CN105788256A (zh) * | 2016-03-30 | 2016-07-20 | 北京交通大学 | 基于车联网的路况信息感知方法 |
| CN105788256B (zh) * | 2016-03-30 | 2018-07-24 | 北京交通大学 | 基于车联网的路况信息感知方法 |
| CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
| CN107798864A (zh) * | 2016-09-06 | 2018-03-13 | 高德信息技术有限公司 | 一种道路通行速度的计算方法和装置 |
| CN108133602A (zh) * | 2017-11-17 | 2018-06-08 | 北京华道兴科技有限公司 | 一种城市交通信号控制方法和装置 |
| CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
| CN109272746B (zh) * | 2018-08-20 | 2021-06-08 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
| CN111063204A (zh) * | 2019-12-19 | 2020-04-24 | 浙江省交通规划设计研究院有限公司 | 一种基于收费站流量的高速公路车速预测模型训练方法 |
| CN111739293A (zh) * | 2020-06-10 | 2020-10-02 | 广东世纪高通科技有限公司 | 一种数据融合方法及装置 |
| CN111951555B (zh) * | 2020-08-20 | 2022-04-22 | 重庆大学 | 一种基于rfid数据的交通流速度临界相变区间估计方法 |
| CN111951555A (zh) * | 2020-08-20 | 2020-11-17 | 重庆大学 | 一种基于rfid数据的交通流速度临界相变区间估计方法 |
| CN114187766A (zh) * | 2021-11-08 | 2022-03-15 | 航天科工广信智能技术有限公司 | 一种基于饱和率的道路服务水平评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102509454B (zh) | 2013-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102509454B (zh) | 基于fcd与地磁检测器的道路状态融合方法 | |
| CN106197458B (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
| CN105118316B (zh) | 基于车路协同的弯道安全车速计算方法及警示系统 | |
| CN102737510B (zh) | 一种基于移动智能终端的实时交通路况采集方法 | |
| CN106781479B (zh) | 一种基于手机信令数据实时获取高速公路运行状态的方法 | |
| CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| CN102819954B (zh) | 交通区域动态地图监控预测系统 | |
| CN111653096B (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
| CN103730008A (zh) | 基于公交gps和ic卡实时数据的公交拥挤度分析方法 | |
| CN105674995A (zh) | 一种基于用户出行轨迹获取通勤路线的方法及装置 | |
| CN104318781B (zh) | 基于rfid技术的行程速度获取方法 | |
| CN104484996A (zh) | 一种基于多源数据的路段交通状态判别方法 | |
| CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
| CN103456172A (zh) | 一种基于视频的交通参数测量方法 | |
| CN103700274A (zh) | 一种交通流检测诱导方法 | |
| CN109191849A (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
| CN101739822B (zh) | 区域交通状态获取的传感器网络配置方法 | |
| Zhang et al. | A Distributed Threshold Algorithm for Vehicle Classification Based on Binary Proximity Sensors and Intelligent Neuron Classifier. | |
| CN106128130A (zh) | 基于地磁车辆检测器的施工区运行状态控制方法和系统 | |
| CN108171968A (zh) | 基于移动终端设备信令的位置数据的路况分析系统及方法 | |
| CN103093625A (zh) | 一种基于可信度验证的城市道路交通状态实时估计方法 | |
| CN104966403A (zh) | 一种基于地磁的干线自优化信号控制方法及装置 | |
| CN105118310A (zh) | 一种基于视频的单点自优化信号控制方法及装置 | |
| CN102867406A (zh) | 一种应用车辆探测资料的交通路网生成方法 | |
| CN104616495A (zh) | 一种基于公交gps探测车的城市交通状态识别方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Road state merging method based on floating car data (FCD) and earth magnetism detector Effective date of registration: 20141126 Granted publication date: 20130911 Pledgee: Hefei high tech Company limited by guarantee Pledgor: Anhui Keli Information Industry Co., Ltd. Registration number: 2014990000990 |
|
| PLDC | Enforcement, change and cancellation of contracts on pledge of patent right or utility model | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20151118 Granted publication date: 20130911 Pledgee: Hefei high tech Company limited by guarantee Pledgor: Anhui Keli Information Industry Co., Ltd. Registration number: 2014990000990 |
|
| PLDC | Enforcement, change and cancellation of contracts on pledge of patent right or utility model | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Road state merging method based on floating car data (FCD) and earth magnetism detector Effective date of registration: 20151225 Granted publication date: 20130911 Pledgee: Hefei high tech Company limited by guarantee Pledgor: Anhui Keli Information Industry Co., Ltd. Registration number: 2015990001170 |
|
| PLDC | Enforcement, change and cancellation of contracts on pledge of patent right or utility model | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20161206 Granted publication date: 20130911 Pledgee: Hefei high tech Company limited by guarantee Pledgor: Anhui Keli Information Industry Co., Ltd. Registration number: 2015990001170 |
|
| PLDC | Enforcement, change and cancellation of contracts on pledge of patent right or utility model |