CN102521965A - 基于车牌识别数据的交通需求管理措施效果评价方法 - Google Patents
基于车牌识别数据的交通需求管理措施效果评价方法 Download PDFInfo
- Publication number
- CN102521965A CN102521965A CN201110407378XA CN201110407378A CN102521965A CN 102521965 A CN102521965 A CN 102521965A CN 201110407378X A CN201110407378X A CN 201110407378XA CN 201110407378 A CN201110407378 A CN 201110407378A CN 102521965 A CN102521965 A CN 102521965A
- Authority
- CN
- China
- Prior art keywords
- data
- trip
- vehicle
- traffic
- path
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于车牌识别数据的交通需求管理措施效果评价方法。具体是基于车牌识别数据的交通需求管理措施实施效果评估技术,从已有的车辆识别数据出发,对数据的挖掘处理、有效信息提取做了详细的分析,考虑城市交通出行的基本特点,采用最短路径算法和模糊推理技术提取车辆行驶路径,并结合交通小区动态划分方法,实时评估给定区域的交通需求管理措施实施效果。采用该发明技术,可以获得运行条件容易满足,操作方法简单易行,评估结果准确实时的效果,并能克服现有评估技术对于评估范围动态调整困难、数据获取周期长、实时性不足的缺陷。
Description
技术领域
本发明涉及一种基于车牌识别数据的交通需求管理措施效果评价方法。
背景技术
实施交通需求管理措施的主要目的是为了从需求的角度对交通需求的无限制增长加以控制,其实施效果好坏的直接表现形式是通过和进出实施范围内的交通量是否下降。通过大范围的交通调查、固定线圈检测技术、浮动车技术和车牌识别技术均能实现以上的效果评估。相对大范围交通调查耗时耗力,应用方向单一而言,车牌识别技术具有一劳永逸、实时动态、覆盖面广的特点;相对固定线圈检测技术无法跟踪车辆后续行驶路径、维护成本高等特点,车牌识别技术具有覆盖范围广、联网跟踪监控能力强、维护成本低等优点;相对浮动车技术应用车种单一(出租车、公交车)、数据量巨大、前期数据处理复杂的特点,车牌识别技术具有不限车种、数据量适中、前期处理简单的优点。车牌识别技术能准确记录通过监测点车辆的车牌号码(加密)、时间、监测点ID等信息,这些信息可以还原车辆的行驶轨迹,结合GIS技术,可以将车辆一天出现在各个监测点的时间和位置分布进行逻辑匹配,然后结合已有的道路长度等道路属性信息,可对路段的平均行驶时间、交通小区OD出行进行估计,评估在交通需求管理措施实施范围内不同时间段内、针对不同车种的实施效果,可为城市交通管理人员、大型活动组织人员、交通工程技术人员提供决策支持。
目前常用的评估技术大都是基于人工调查实现的,不能做到实时动态,且要获取完整的交通出现信息费时费力,调查数据重复利用度不高。通过检索相关的技术文献发现,大部分也都是在研究交通需求管理措施实施效果评价的评价准则,采用车牌识别数据对交通需求管理措施实施效果进行评价的方法未见公开报道。
发明内容
本发明的目的在于提供一种基于车牌识别数据的交通需求管理措施效果评价方法。
本发明提出的一种基于车牌识别数据的交通需求管理措施效果评价方法,具体步骤如下:
(1)动态采集基础信息数据。所述基础信息数据包括最新的城市道路网络电子地图静态数据、OD划分数据、车辆常用路径数据、车牌信息数据以及一段时间内的车牌识别数据。对所获得的数据进行前期处理、数据转换,提取有效信息,根据获取的有效信息,建立GIS数据库,采用数据挖掘技术对数据进行深入挖掘,并基于GIS数据库和监测点的位置信息确定某一时间段内监测车辆的出行链,监测车辆的出行链用时间顺序和监测点ID表示;
(2)通过步骤(1)确定的监测车辆出行链,采用最短路径算法判断车辆的出行路径,利用车辆出行链的每两次状态转变,根据距离与时间的逻辑关系,采用模糊推理判断出车辆中途是否长时间停车等状态信息;
(3)根据需要评估的范围确定一定时间段内通过和出入该范围的交通量,分车种进行表达;
(4)调用数据库中的历史数据,以某一段时间为时间分界限,按照评价指标计算评价结果。
本发明中,所述城市道路网络电子地图静态数据为按照坐标标明视频监测点的位置、名称、ID和方向;将路段的基本属性,包括长度、行驶方向、在起终点是否允许转弯等属性录入GIS数据库中。
本发明中,所述OD划分数据即按照行政区划、综合交通规划等常用交通小区划分方法确定基础交通分析小区,并进行编号,确立小区划分的动态改变准则。
本发明中,所述车辆常用路径数据为根据划分的小区,利用实际出行调查和宏观交通仿真确定小区之间常用的出行路径,以用作模糊推理技术确定路径的基础。
本发明中,所述车牌信息数据是通过导出公安部门车辆管理处车牌管理数据库的车牌数据,按照一定的加密方式保存在基础数据库中实现的,包括:加密的车牌号、车辆类型。
本发明中,所述的车牌识别数据是指通过设立在道路网上的视频监测器,运用图像识别技术提取出视频拍摄图像中车牌信息而获得的数据,数据保存在GIS数据库中,每一条识别的信息包含车牌号、监测点ID、识别标志位、时间;其中,设立视频检测器时,监测点ID和位置均提前录入到数据库中,车牌识别信息中包含的监测点ID可以与数据库中的监测点信息比对,确定出什么时间什么地点监测到某一辆车。对识别出的小部分异常数据进行剔除。
本发明中,步骤(3)中所述评估包括对交通量、出行OD、路段平均行驶速度和对不同的管理措施实施前后效果评价的评估;其中:
交通量评估:通过扫描一定时间范围内的车牌识别数据,对每一条数据的监测点ID与GIS数据库的监测点ID对比,对比上的则表示在该时间范围内该监测点ID处的交通出行量增加一个自然车单位,然后将车牌信息与数据库中的车牌信息进行对比,确定车辆类型(小客车、中客车、小货车、公交车等),根据相应的折算系数计算标准交通量,再根据监测到的时间确定具体的时段。
出行OD评估:通过对一定时间范围内的车牌识别数据进行整理,整理出所有监测到车辆的出行链,根据出行链,确定逻辑出行路径,若两次被检测到的位置在同一路段的两端,且间隔时间合乎逻辑,则按照模糊推理确定车辆的实际出行路径,结合这种逻辑路径和实际路径所属的OD小区确定车辆的OD出行。
路段平均行驶速度评估:根据出行OD挖掘中确定的出行链,结合模糊推理技术确定实际出行路径较为明显的出行路径,结合最短路径算法确定两次被监测的时间和地点较远的车辆出行路径,最短路径的计算符合路段转弯规则等基本属性,根据出行距离和行驶时间计算平均行驶速度。
对不同的管理措施实施前后效果评价,以交通量和出行OD为基本的判断依据,分时段、分车种进行对比分析,剔除背景交通量的时变特征,以此评价该措施的实施效果。
本发明中,针对拥挤收费的管理措施,主要评价分析范围内过境交通量的变化。
本发明中,针对限制特定车辆类型通行的管理措施,主要评价分析范围内特定车种(公车)出行方式的出行结果变化。
本发明中,针对停车需求管理措施,主要评价分析范围内出入交通量的变化。
本发明中,针对单双号或其它号牌限行措施,主要评价分析范围内过境、出入和境内交通总量的变化。
本发明中,针对其他交通需求管理措施,分析具体的评价需求,合理对比分析。
本发明方法通过建立相应的数据库,并根据实时数据进行整理挖掘,以实时评估各种交通需求管理措施实施效果;对任何范围内的评估,不需要在前期制定数据调查方案和数据处理方法,一劳永逸;形成的结果可被城市管理人员、交通组织人员、交通工程技术人员调用。
现有的交通需求管理措施实施效果评估技术存实时性、动态性不足,评估实施困难等缺陷,而一些实时交通数据采集技术或多或少都不能完全满足交通需求管理措施可分时段、分车种、分区域的多样性实施要求。为了能克服以上技术的种种缺陷,推动管理评价技术的进步,本发明从已有的车辆识别数据出发,对数据的挖掘处理、有效信息提取做了详细的分析,考虑城市交通出行的基本特点,采用最短路径算法和模糊推理技术提取车辆行驶路径,并结合交通小区动态划分方法,实时评估任意区域的交通需求管理措施实施效果。
本发明技术的技术方案经过深圳市车牌识别数据的实际检验,对于全市150个视频监测点,一天时间内可以监测到全市机动车的50%以上,在福田、南山等二线关以内视频监测点分布密集的区域,一天时间内可以监测到在这些区域内出行车辆的80%以上,数据挖掘的准确率达到90%以上。该结论表明本发明中采用的技术方法简单易行,数据条件容易满足,易于在各种城市中推广应用。
附图说明
图1为本发明的系统结构图。
图2为本发明数据采集与维护流程图。
图3为本发明车牌识别数据挖掘流程图。
图4为车辆出行链示意图。
图5为本发明交通需求管理措施实施效果评估流程图。
图6为车辆出行路径示意图。
具体实施方式
下面通过实施实例结合附图进一步说明本发明。
实施例1:本方法是一种结合历史数据和现状数据动态进行评估的方法,对于每次评估需要给出两个时间点,一个时间范围,因此,基本条件需要保证对这两个时间段的数据完成积累,理论上视频监测点覆盖度越大,评估结果越好,但是覆盖密度到达一个合理的值后,数据满足要求,再去刻意扩大监测点的覆盖度,没有实际意义。
如图1所示,系统中心部分为集成的数据库系统,包括:专题应用模块,基础数据管理和维护模块,车牌识别数据采集模块,动态数据映射模块,交通需求管理措施实施效果评估模块和专题应用模块。所有这些模块既可以在同一台机器上流程式分布,也可以在分布式系统上采用分布结构布置,模块布设相互独立,互为调用,并相互支撑。
其中,专题应用模块是用以导出和导入数据,通过系统接口为其他智能和规划应用提供数据支持。
基础数据管理和维护模块主要是动态采集最新的城市道路网络电子地图数据、OD划分数据、车辆常用路径数据和车牌信息数据,对这些数据进行检查更新,并缓存。
车牌识别数据采集模块主要是从交通管理中心数据库获取一段时间内的车牌识别数据,对数据进行预处理,在数据需求满足条件的前提下,剔除信息不全、车牌号识别错误、监测点ID对应错误等非正常数据。
动态数据映射模块主要是对基础数据管理和维护模块及车牌识别数据采集模块获得的数据进行算法计算,通过最短路径算法和模糊匹配算法,将车牌识别数据和道路网络数据等动态映射匹配。
交通需求管理措施实施效果评估模块和专题应用模块以上模块为基础,进行实际的评估应用,包括交通需求管理措施时间、地点等信息的输入,评估范围,评估结果导出等。
现结合图2说明数据采集与维护流程,包括基础数据管理和维护、车牌识别数据采集、动态数据映射。具体步骤如下:
(1)检查路网数据是否发生变化:包括道路网络电子地图是否有更新、OD划分数据是否有变化,车辆常用路径数据是否有更新,其中道路网数据的数据结构如下:
ID | 字段名称 | 字段类型 | 字段长度(字节) | 注释 |
1 | FID | Integer | 2 | 路段编号 |
2 | LINK_NAME | String | 4 | 路段名称 |
3 | LINK_LENGTH | Double | 4 | 路段长度 |
4 | LINK_DIRECT | Byte | 1 | 路段行驶方向 |
5 | LINK_AREA | Integer | 2 | 路段所属区域 |
(2)定时更新车牌信息数据:将车辆管理处的车牌数据通过网络转移至系统中,其中车牌信息数据的数据结构如下:
ID | 字段名称 | 字段类型 | 字段长度(字节) | 注释 |
1 | ID | LONG | 4 | 系统编号 |
2 | V_NAME | String | 4 | 加密车牌号 |
3 | V_TYPE | Byte | 1 | 车辆类型 |
(3)检查车牌识别数据流:对那些通信不畅通的视频点进行标识,对正常的视频监测点进行数据导入,其中监测点信息数据数据结构如下:
ID | 字段名称 | 字段类型 | 字段长度(字节) | 注释 |
1 | ID | Integer | 2 | 系统编号 |
2 | M_ID | LONG | 4 | 监测器编号 |
3 | X | LONG | 4 | X坐标 |
4 | Y | LONG | 4 | Y坐标 |
5 | M_NAME | String | 4 | 位置名称 |
5 | M_DIRECT | Byte | 1 | 监测方向 |
6 | M_AREA | Integer | 2 | 所属区域 |
(4)基础数据管理和维护:将新的道路网络电子地图、OD划分数据、车辆常用路径数据分类保存至数据库中,与(1)(2)流程进行通信,循环完成工作;
(5)车牌识别数据处理:对获取的车牌识别数据进行错误检查,剔除错误数据;按照车牌号进行分类归纳,同一车牌号的记录,按时间进行排序,车牌识别数据的数据结构如下:
ID | 字段名称 | 字段类型 | 字段长度(字节) | 注释 |
1 | ID | LONG | 4 | 系统编号 |
2 | 车牌号码 | String | 4 | 加密的车牌号 |
3 | 监测点ID | LONG | 4 | 监测器编号 |
4 | 标志位 | Byte | 1 | 监测标志 |
5 | 监测日期 | Date | 4 | 监测日期 |
6 | 监测时间 | Time | 4 | 监测时间 |
(6)动态数据映射:将处理后的车牌识别数据,执行最短路径算法和模糊匹配算法以完成车辆路径估计,并将结果映射到GIS道路网数据中,确定每一监测车辆的行驶路径;
其中,车辆路径估计具体的技术思想如下:
车辆相邻两次出现在2个视频检测断面,中间的路径选择会出现不同的情形,可以归纳三种类型:两个视频检测器之间没有其他出入口,机动车必然会沿着道路从一个监测断面到达另一个检测断面,此时路径就是这条路段;两个视频检测器之间有其他出入口,但是使用这些出入口会使得车辆的行驶路程变得非常大,绝大部分车辆会选择明显合理的路径从一个检测断面到达另一个检测断面,此时路径是这两个检测断面的最短路径;两个视频检测器之间有其他出入口,并且驾驶员可以选择不同的路径到达下一断面,此时路径包含多个可行路径。
本发明采用最短路径算法和模糊选择算法确定车辆的行驶路径,对于第一和第二两种情形采用最短路径算法确定行驶路径,这样做符合基本要求和客观认识。对于第三种,采用K最短路径模型,确定几条可能的行驶路径,然后对每条路径进行模糊评分,作为驾驶员选择这些路径的概率,然后将车辆分配到道路上去。
对原始数据进行分解,利用数据库技术按车牌号码分组,每一组数据就是一辆车一天被检测到的所有记录,将一组数据按照被检测到的时间进行排序,可以获取每辆车的出行链。以路段的最高限定速度为基准,对各个路段的行程速度进行估计,并按最短路径对车辆的行驶路径进行评估,将记录匹配到地图上可以知道车辆的行驶轨迹,计算结果如下所示:
前一监测点 | 后一监测点 | 时间段 | 路段长度(m) | 限速(km/h) | 最短行程时间(s) | 运行状态折算系数 | 行程时间阀值(s) | 样本数 | 样本离散系数 | 平均行程时间(s) | 平均行程速度(km/h) |
A点东行 | B点东行 | 7:00-7:30 | 2884.62 | 70 | 11.4 | 0.51 | 22.4 | 27 | 0.42 | 17.2 | 46.5 |
B点东行 | C点东行 | 7:00-7:30 | 2370.95 | 70 | 9.4 | 0.55 | 17.1 | 19 | 0.51 | 12.0 | 54.8 |
C点东行 | D点东行 | 7:00-7:30 | 1696.69 | 70 | 6.7 | 0.52 | 12.9 | 19 | 0.55 | 10.0 | 47.1 |
D点东行 | E点东行 | 7:00-7:30 | 2310.98 | 70 | 9.2 | 0.4 | 22.9 | 19 | 0.41 | 24.9 | 25.7 |
E点西行 | D点西行 | 7:00-7:30 | 2340.22 | 70 | 9.3 | 0.4 | 23.2 | 19 | 0.43 | 25.7 | 25.3 |
D点西行 | F点西行 | 7:00-7:30 | 788.07 | 70 | 3.1 | 0.5 | 6.3 | 21 | 0.37 | 5.0 | 44.2 |
F点西行 | B点西行 | 7:00-7:30 | 2556.76 | 70 | 10.1 | 0.52 | 19.5 | 24 | 0.47 | 15.1 | 46.9 |
B点西行 | A点西行 | 7:00-7:30 | 3649.24 | 70 | 14.5 | 0.52 | 27.8 | 38 | 0.48 | 22.3 | 45.4 |
D点西行 | B点西行 | 7:00-7:30 | 3348.83 | 70 | 13.3 | 0.5 | 26.6 | 33 | 0.36 | 22.1 | 42.1 |
车牌识别数据处理与动态数据映射的基本流程如图3所示,具体步骤包括:
(1)传入视频识别监测信息,对错误数据进行处理,剔除信息缺失的数据,将数据按车牌号分类,同一车牌号的记录按时间顺序排序,按照此规则完成全部数据的转换。
(2)提取车辆的出行链,出行链表征了同一车牌号码车辆在一段时间内被不同监测点监测到的信息,根据一段时间内车辆在各个监测点出行的次序,按时间排序即为该车辆在这段时间内的出行链,数据模板如下:
车牌 | 监测点1 | 时刻1 | 监测点2 | 时刻2 | 监测点3 | 时刻3 | 监测点4 | 时刻4 |
车牌1 | 20602102 | 7:01 | 10200102 | 7:07 | ||||
车牌2 | 10100406 | 7:01 | 10101001 | 7:15 | ||||
车牌3 | 10200401 | 7:01 | 10100606 | 7:24 | 10200102 | 7:49 | ||
车牌4 | 10300201 | 7:01 | 20501807 | 7:06 | 20501807 | 7:06 | 20501805 | 7:09 |
获取的出行链如图4所示。
(3)根据基础数据和车牌识别数据,完成路径匹配,并获取交通量,出行OD分布,路段平均行驶速度,并将这些信息导入到数据库中更新匹配。
现结合图5说明交通需求管理措施实施效果评估流程。
(1)交通需求管理措施实施前后时间段输入:这是基础数据获取,车牌识别数据获取的时间支撑。
(2)提取两个时间点内的数据:若数据库中找不到对应的数据,激活基础数据管理与维护模块和车牌识别数据采集模块。
(3)提取车辆出行链:如果车辆出行链已有,结束这一步,若导入了新的数据,则按车牌识别数据处理与动态数据映射的基本流程中提取车辆出行链的方法完成。
(4)按时段、分车种统计各对应有效监测点的交通量、出行OD:这一过程针对新数据传入,根据提取的车辆出行链,确定车辆的位置转变,基本数据模板如下:
车牌 | 监测点1 | 监测点2 | 监测点1所属OD | 监测点2所属OD |
车牌1 | 地点1西行 | 地点2东行 | 101 | 102 |
车牌2 | 地点3西行 | 地点4西行 | 101 | 104 |
车牌3 | 地点5西行 | 地点6西行 | 103 | 105 |
车牌3 | 地点7西行 | 地点8西行 | 102 | 101 |
车牌4 | 地点9西行 | 地点10西行 | 117 | 118 |
(5)按车辆遍历,估计时间周期内出行链的对应路径,计算车辆的行程距离和行程时间:这一过程针对新数据传入。
(6)背景交通量估计:这一过程按照“四阶段”等预测模型完成。
(7)计算评价指标:评价指标包括:服务水平、车辆速度、交通量等。计算评价指标,计算结果模板如下:
过境交通量(pcu/h) | 进出交通量(pcu/h) | 出进交通量(pcu/h) | 路网V/C | 路网平均速度(km/h) | |
实施前 | 31769 | 27819 | 25348 | 0.41 | 21.5 |
实施后 | 29113 | 14792 | 20043 | 0.53 | 27 |
改变率 | -8.36% | -46.83% | -20.93% | — | 25.58% |
(8)导出评估报告:评估报告包括一系列的计算结果和最终效果估计。
Claims (4)
1.一种基于车牌识别数据的交通需求管理措施效果评价方法,其特征在于具体步骤如下:
(1)动态采集基础信息数据
所述基础信息数据包括最新的城市道路网络电子地图静态数据、OD划分数据、车辆常用路径数据、车牌信息数据以及一段时间内的车牌识别数据;对所获得的数据进行前期处理、数据转换,提取有效信息,根据获取的有效信息,建立GIS数据库,采用数据挖掘技术对数据进行深入挖掘,并基于GIS数据库和监测点的位置信息确定某一时间段内监测车辆的出行链,监测车辆的“出行链”采用时间顺序和监测点ID表示;
(2)通过步骤(1)确定的监测车辆出行链,采用最短路径算法判断车辆的出行路径,利用车辆出行链的每两次状态转变,根据距离与时间的逻辑关系,采用模糊推理判断出车辆中途是否长时间停车状态信息;
(3)根据需要评估的范围确定一定时间段内通过和出入该范围的交通量,分车种进行表达;
(4)调用数据库中的历史数据,以某一段时间为时间分界限,按照评价指标计算评价结果。
2.根据权利要求1所述的方法,其特征在于所述城市道路网络电子地图静态数据为按照坐标标明视频监测点的位置、名称、ID和方向;将路段的基本属性,包括长度、行驶方向、在起终点是否允许转弯等属性录入GIS数据库中;
所述OD划分数据即按照行政区划、综合交通规划常用交通小区划分方法确定基础交通分析小区,并进行编号,确立小区划分的动态改变准则;
所述车辆常用路径数据为根据划分的小区,利用实际出行调查和宏观交通仿真确定的小区之间常用的出行路径,以用作模糊推理技术确定路径的基础;
所述车牌信息数据是通过导出公安部门车辆管理处车牌管理数据库的车牌数据,按照一定的加密方式保存在基础数据库中实现的,包括:加密的车牌号、车辆类型;
所述车牌识别数据是指通过设立在道路网上的视频监测器,运用图像识别技术提取出视频拍摄图像中车牌信息而获得的数据,数据保存在GIS数据库中,每一条识别的信息包含车牌号、监测点ID、识别标志位、时间;其中,设立视频检测器时,监测点ID和位置均提前录入到数据库中,车牌识别信息中包含的监测点ID可以与数据库中的监测点信息比对,确定出什么时间什么地点监测到某一辆车;对识别出的小部分异常数据进行剔除。
3.根据权利要求1所述的方法,其特征在于步骤(3)中所述评估包括对交通量、出行OD、路段平均行驶速度和对不同的管理措施实施前后效果评价的评估;其中:
交通量评估:通过扫描一定时间范围内的车牌识别数据,对每一条数据的监测点ID与GIS数据库的监测点ID对比,对比上的则表示在该时间范围内该监测点ID处的交通出行量增加一个自然车单位,然后将车牌信息与数据库中的车牌信息进行对比,确定车辆类型,根据相应的折算系数计算标准交通量,再根据监测到的时间确定具体的时段;
出行OD评估:通过对一定时间范围内的车牌识别数据进行整理,整理出所有监测到车辆的出行链,根据出行链,确定逻辑出行路径,若两次被检测到的位置在同一路段的两端,且间隔时间合乎逻辑,则按照模糊推理确定车辆的实际出行路径,结合这种逻辑路径和实际路径所属的OD小区确定车辆的OD出行;
路段平均行驶速度评估:根据出行OD挖掘中确定的出行链,结合模糊推理技术确定实际出行路径较为明显的出行路径,结合最短路径算法确定两次被监测的时间和地点较远的车辆出行路径,最短路径的计算符合路段转弯规则等基本属性,根据出行距离和行驶时间计算平均行驶速度;
对不同的管理措施实施前后效果评价,以交通量和出行OD为基本的判断依据,分时段、分车种进行对比分析,剔除背景交通量的时变特征,以此评价该措施的实施效果。
4.根据权利要求1所述的方法,其特征在于针对拥挤收费的管理措施,主要评价分析范围内过境交通量的变化;针对限制特定车辆类型通行的管理措施,主要评价分析范围内特定车种出行方式的出行结果变化;针对停车需求管理措施,主要评价分析范围内出入交通量的变化;针对单双号或其它号牌限行措施,主要评价分析范围内过境、出入和境内交通总量的变化;针对其他交通需求管理措施,分析具体的评价需求,合理对比分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110407378 CN102521965B (zh) | 2011-12-09 | 2011-12-09 | 基于车牌识别数据的交通需求管理措施效果评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110407378 CN102521965B (zh) | 2011-12-09 | 2011-12-09 | 基于车牌识别数据的交通需求管理措施效果评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102521965A true CN102521965A (zh) | 2012-06-27 |
CN102521965B CN102521965B (zh) | 2013-08-14 |
Family
ID=46292865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110407378 Expired - Fee Related CN102521965B (zh) | 2011-12-09 | 2011-12-09 | 基于车牌识别数据的交通需求管理措施效果评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521965B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258440A (zh) * | 2013-05-02 | 2013-08-21 | 同济大学 | 一种基于道路属性和实时路况的行车轨迹还原算法 |
CN103854474A (zh) * | 2014-02-20 | 2014-06-11 | 联大通信技术有限公司 | 一种交通综合信息服务系统 |
CN104408909A (zh) * | 2014-11-21 | 2015-03-11 | 无锡科思电子科技有限公司 | 一种基于ZigBee的出租车调度闭环控制系统 |
CN105069765A (zh) * | 2015-07-22 | 2015-11-18 | 广东迅通科技股份有限公司 | 一种基于特征学习的模糊车牌重建方法 |
CN106251628A (zh) * | 2016-09-14 | 2016-12-21 | 青岛海信网络科技股份有限公司 | 一种确定机动车的交通出行量的方法及装置 |
CN106709476A (zh) * | 2017-01-24 | 2017-05-24 | 福州市规划设计研究院 | 一种交叉路口od调查方法 |
CN107146409A (zh) * | 2017-06-01 | 2017-09-08 | 东方网力科技股份有限公司 | 路网中设备检测时间异常的识别和真实时差估算方法 |
CN107564291A (zh) * | 2017-10-20 | 2018-01-09 | 重庆市市政设计研究院 | 一种基于rfid的交通量溯源分析方法及系统 |
CN107622673A (zh) * | 2017-09-22 | 2018-01-23 | 广东方纬科技有限公司 | 一种基于卡口数据的停车需求分析方法、系统和装置 |
CN107993441A (zh) * | 2017-12-18 | 2018-05-04 | 北京中交兴路信息科技有限公司 | 一种货车常跑路线的预测方法及装置 |
CN108416486A (zh) * | 2017-09-15 | 2018-08-17 | 杭州创屹机电科技有限公司 | 一种用于计算共享单车借车需求量的估算方法 |
CN110033620A (zh) * | 2019-05-17 | 2019-07-19 | 东南大学 | 一种基于交通监测数据的道路交叉口流量流向推算方法 |
CN110348030A (zh) * | 2018-04-03 | 2019-10-18 | 中车唐山机车车辆有限公司 | 车辆仿真技术数据分析方法、装置及存储介质 |
CN110491157A (zh) * | 2019-07-23 | 2019-11-22 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN111127949A (zh) * | 2019-12-18 | 2020-05-08 | 北京中交兴路车联网科技有限公司 | 车辆高危路段预警方法、装置及存储介质 |
CN111243280A (zh) * | 2020-03-20 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种实时计算交通状态的指标的方法及装置 |
CN111368134A (zh) * | 2019-07-04 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种交通数据处理的方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020084917A1 (en) * | 2000-12-28 | 2002-07-04 | Hauptman Benjamin J. | Method and apparatus for reducing traffic congestion |
WO2007122607A2 (en) * | 2006-04-26 | 2007-11-01 | Ilan Rosen | System and method for monitoring traveling vehicles |
CN101930668A (zh) * | 2009-04-29 | 2010-12-29 | 上海电器科学研究所(集团)有限公司 | 车牌识别的道路交通od信息采集系统及其处理方法 |
CN102013159A (zh) * | 2010-10-26 | 2011-04-13 | 隋亚刚 | 基于高清视频检测数据的区域动态od矩阵获取方法 |
CN102063744A (zh) * | 2010-11-11 | 2011-05-18 | 天津高速公路集团有限公司 | 基于车牌识别的高速公路二义性路径通行费拆分方法 |
-
2011
- 2011-12-09 CN CN 201110407378 patent/CN102521965B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020084917A1 (en) * | 2000-12-28 | 2002-07-04 | Hauptman Benjamin J. | Method and apparatus for reducing traffic congestion |
WO2007122607A2 (en) * | 2006-04-26 | 2007-11-01 | Ilan Rosen | System and method for monitoring traveling vehicles |
CN101930668A (zh) * | 2009-04-29 | 2010-12-29 | 上海电器科学研究所(集团)有限公司 | 车牌识别的道路交通od信息采集系统及其处理方法 |
CN102013159A (zh) * | 2010-10-26 | 2011-04-13 | 隋亚刚 | 基于高清视频检测数据的区域动态od矩阵获取方法 |
CN102063744A (zh) * | 2010-11-11 | 2011-05-18 | 天津高速公路集团有限公司 | 基于车牌识别的高速公路二义性路径通行费拆分方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258440A (zh) * | 2013-05-02 | 2013-08-21 | 同济大学 | 一种基于道路属性和实时路况的行车轨迹还原算法 |
CN103258440B (zh) * | 2013-05-02 | 2015-04-15 | 同济大学 | 一种基于道路属性和实时路况的行车轨迹还原算法 |
CN103854474A (zh) * | 2014-02-20 | 2014-06-11 | 联大通信技术有限公司 | 一种交通综合信息服务系统 |
CN104408909A (zh) * | 2014-11-21 | 2015-03-11 | 无锡科思电子科技有限公司 | 一种基于ZigBee的出租车调度闭环控制系统 |
CN105069765A (zh) * | 2015-07-22 | 2015-11-18 | 广东迅通科技股份有限公司 | 一种基于特征学习的模糊车牌重建方法 |
CN105069765B (zh) * | 2015-07-22 | 2017-12-22 | 广东迅通科技股份有限公司 | 一种基于特征学习的模糊车牌重建方法 |
CN106251628A (zh) * | 2016-09-14 | 2016-12-21 | 青岛海信网络科技股份有限公司 | 一种确定机动车的交通出行量的方法及装置 |
CN106251628B (zh) * | 2016-09-14 | 2019-06-14 | 青岛海信网络科技股份有限公司 | 一种确定机动车的交通出行量的方法及装置 |
CN106709476A (zh) * | 2017-01-24 | 2017-05-24 | 福州市规划设计研究院 | 一种交叉路口od调查方法 |
CN107146409A (zh) * | 2017-06-01 | 2017-09-08 | 东方网力科技股份有限公司 | 路网中设备检测时间异常的识别和真实时差估算方法 |
CN108416486A (zh) * | 2017-09-15 | 2018-08-17 | 杭州创屹机电科技有限公司 | 一种用于计算共享单车借车需求量的估算方法 |
CN108416486B (zh) * | 2017-09-15 | 2020-12-04 | 杭州创屹机电科技有限公司 | 一种用于计算共享单车借车需求量的估算方法 |
CN107622673A (zh) * | 2017-09-22 | 2018-01-23 | 广东方纬科技有限公司 | 一种基于卡口数据的停车需求分析方法、系统和装置 |
CN107564291A (zh) * | 2017-10-20 | 2018-01-09 | 重庆市市政设计研究院 | 一种基于rfid的交通量溯源分析方法及系统 |
CN107993441B (zh) * | 2017-12-18 | 2020-03-27 | 北京中交兴路信息科技有限公司 | 一种货车常跑路线的预测方法及装置 |
CN107993441A (zh) * | 2017-12-18 | 2018-05-04 | 北京中交兴路信息科技有限公司 | 一种货车常跑路线的预测方法及装置 |
CN110348030A (zh) * | 2018-04-03 | 2019-10-18 | 中车唐山机车车辆有限公司 | 车辆仿真技术数据分析方法、装置及存储介质 |
CN110033620A (zh) * | 2019-05-17 | 2019-07-19 | 东南大学 | 一种基于交通监测数据的道路交叉口流量流向推算方法 |
CN111368134A (zh) * | 2019-07-04 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种交通数据处理的方法、装置、电子设备及存储介质 |
CN111368134B (zh) * | 2019-07-04 | 2023-10-27 | 杭州海康威视系统技术有限公司 | 一种交通数据处理的方法、装置、电子设备及存储介质 |
CN110491157A (zh) * | 2019-07-23 | 2019-11-22 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN111127949A (zh) * | 2019-12-18 | 2020-05-08 | 北京中交兴路车联网科技有限公司 | 车辆高危路段预警方法、装置及存储介质 |
CN111243280A (zh) * | 2020-03-20 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种实时计算交通状态的指标的方法及装置 |
CN111243280B (zh) * | 2020-03-20 | 2021-04-13 | 青岛海信网络科技股份有限公司 | 一种实时计算交通状态的指标的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102521965B (zh) | 2013-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN106971534B (zh) | 基于号牌数据的通勤出行特征分析方法 | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN108345666B (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
CN106856049B (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
CN105632173B (zh) | 利用出租车gps数据进行城市公交系统的优化识别方法 | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN104809112B (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
CN107134142A (zh) | 一种基于多源数据融合的城市道路流量预测方法 | |
CN109686090B (zh) | 一种基于多源数据融合的虚拟交通流量计算方法 | |
CN108550261A (zh) | 基于rfid电子车牌的城市交通od计算方法 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
Barabino et al. | An offline framework for the diagnosis of time reliability by automatic vehicle location data | |
CN108877244B (zh) | 一种基于动态数据的公交车辆交叉口运行瓶颈判别方法 | |
CN111210612A (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
Yang et al. | Identifying intercity freight trip ends of heavy trucks from GPS data | |
CN112017429B (zh) | 一种基于货车gps数据的治超监测布点方法 | |
CN111191816A (zh) | 城市轨道交通乘客出行时间链辨识系统 | |
CN108108859A (zh) | 一种基于大数据分析的交通管理勤务优化方法 | |
Makarova et al. | Decision-making on development of cycling infrastructure through safety assessment at design and operation stages | |
CN113870559B (zh) | 一种基于大数据车联网的交通流量计算方法 | |
CN111177294B (zh) | 基于车辆轨迹数据求解交叉口中介中心性的方法 | |
KR20150072470A (ko) | 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템 |
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: 20130814 Termination date: 20151209 |
|
EXPY | Termination of patent right or utility model |