CN102855773A - 一种停车场有效泊位占有率短时预测方法 - Google Patents
一种停车场有效泊位占有率短时预测方法 Download PDFInfo
- Publication number
- CN102855773A CN102855773A CN2012103386137A CN201210338613A CN102855773A CN 102855773 A CN102855773 A CN 102855773A CN 2012103386137 A CN2012103386137 A CN 2012103386137A CN 201210338613 A CN201210338613 A CN 201210338613A CN 102855773 A CN102855773 A CN 102855773A
- Authority
- CN
- China
- Prior art keywords
- parking lot
- wavelet
- effective
- occupancy
- short
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种停车场有效泊位占有率短时预测方法,包括如下步骤:1)确定停车场的有效泊位占有率时间序列;2)用小波函数对有效泊位占有率时间序列进行小波分解,得到低频系数向量和高频系数向量,然后对低频系数向量和高频系数向量分别进行小波重构,得到N+1个重构的时间序列;3)对N+1个重构的时间序列分别建立小波神经网络模型进行预测,得到N+1个预测结果;4)累加上述N+1个预测结果,获得对应于有效泊位占有率时间序列的预测结果。本发明根据停车场有效泊位占有率的短时变化特性,提出小波分析-小波神经网络组合预测模型对停车场有效泊位占有率进行短时预测,提高了预测精度和稳定性。
Description
技术领域
本发明属于智能交通系统中智能信息处理技术领域,涉及一种停车场有效泊位短时预测的方法,可以实时预测出停车场的空余泊位信息。
背景技术
停车场是否有空余泊位可供停车是驾车者停车选择时最为关注的问题之一。利用停车泊位信息采集技术获得停车场内空余车位的信息并对其进行实时预测是停车诱导信息系统的一项关键技术。比较准确地预测出停车场的空余泊位信息,供系统用户选择停车场时参考,不仅有利于用户合理地安排自己的出行,也有利于交通管理部门对交通的宏观调控。
纳入停车诱导信息系统的停车泊位主要是指公共停车设施内可供社会车辆停放的车位,被单位或个人长期租用的固定车位不在研究范围之内。因此,本发明采用停车场的有效泊位占有率来直观地描述停车场可供社会车辆利用的泊位情况。停车场的有效泊位占有率,是指正在开放的停车场内未被车辆或其他物品占用,可以用来停放社会车辆的泊位数占总泊位数的比例。
停车场的泊位变化受诸多因素的影响,如停车场类型、所处位置、道路交通流、天气、事件等,多因素的作用造成了有效泊位占有率变化的复杂性和随机性。目前,国内对停车泊位的短时预测大多采用BP神经网络法,虽然该方法具有推导过程严谨、物理概念清晰等优点,但同时存在预测稳定性不高,精度较低等缺点。小波分析在时间序列预测中有较好地应用,而小波神经网络可以更精确稳定地进行时间序列预测,本发明根据停车场有效泊位占有率的短时变化特性,提出小波分析-小波神经网络组合预测模型,对停车场有效泊位占有率进行短时预测,以提高预测精度。
发明内容
技术问题:本发明提供了一种收敛速度快,预测精度高的停车场有效泊位占有率短时预测方法。
技术方案:本发明的停车场有效泊位占有率短时预测方法,包括如下步骤:
1)统计出不同时间段内进入停车场的车辆数Ai和离开停车场的车辆数Li,其中i=1,2,…,M,M为时间段个数,则各个时间段末的有效泊位数Xi为Xi=Xi-1-Ai+Li,各个时间段的有效泊位占有率c0i为:c0i=Xi/R,其中R为停车场总泊位数,从而得到停车场的有效泊位占有率时间序列c0={c01,c0i2,…,c0M};
2)用小波函数对步骤1)中得到的有效泊位占有率时间序列c0进行N尺度的小波分解,得到一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1,d2,…,dN,其中尺度数N为整数且4≤N≤6;然后对低频系数向量cN和高频系数向量d1,d2,…,dN进行小波重构,得到N+1个重构的时间序列CN,D1,D2,…,DN;
3)对步骤2)中得到的N+1个重构的时间序列CN,D1,D2,…,DN分别建立小波神经网络预测模型,然后用小波神经网络预测模型对N+1个重构的时间序列CN,D1,D2,…,DN进行预测,得到N+1个预测结果CN′,D1′,D2′,…,DN′;
4)将步骤3)中得到的N+1个预测结果CN′,D1′,D2′,…,DN′累加,获得有效泊位占有率时间序列c0的预测结果c0(M+1)=CN′+D1′+D2′+…+DN′。
有益效果:本发明与现有技术相比,具有以下优点:
传统方法一般直接对有效停车泊位占有率时间序列进行短时预测,然而原始的时间序列包含了不同尺度的信号,这使得直接预测的收敛速度慢,精度也较低。本发明通过选择合适的小波函数对有效泊位占有率时间序列进行小波分解与重构,将表达有效泊位占有率本质变化趋势的低频信号与反映不确定影响因素的高频干扰信号相分离,然后利用小波神经网络精确稳定的预测特性,对低频信号和不同分辨率的高频干扰信号分别建立小波神经网络预测模型,最后外推出预测结果并进行合成,从而得到有效泊位占有率的最终预测结果,收敛速度快,预测精度高。
附图说明
图1为本发明停车场有效泊位占有率短时预测方法的流程图。
具体实施方式
下面进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等同形式的修改均落于本申请权利要求所限定的范围内。
本发明的停车场有效泊位占有率短时预测方法,流程如图1所示,具体步骤如下:
1)得到初始有效泊位占有率时间序列c0
统计出不同时间段内进入停车场的车辆数Ai(i=1,2,…,M,M为时间段个数)和离开停车场的车辆数Li(i=1,2,…,M,M为时间段个数)。设停车场总泊位数为R,则各个时间段末的有效泊位数Xi(i=1,2,…,M)可表示为:Xi=Xi-1-Ai+Li,各个时间段的有效泊位占有率c0i(i=1,2,…,M)为:c0i=Xi/R,从而可以得出停车场有效泊位占有率的时间序列c0={c01,c0i2,…,c0M}。
2)对有效停车泊位占有率时间序列c0进行小波分解和重构
由于有效泊位占有率时间序列c0是离散的时间序列,故引入离散小波变换中的二进正交小波变换,并采用快速二进正交小波变换算法进行小波分解和重构。
快速二进正交小波变换算法表示为:
式中,H和G分别为低通滤波器和高通滤波器,N为分解尺度,为整数且4≤N≤6。于是可以将有效泊位占有率时间序列c0分解为N个不同尺度下的高频系数向量d1,d2,…,dN和一个尺度为N的低频系数向量cN。
经快速二进正交小波变换算法分解后的序列可以用重构算法进行小波重构:Cn=H*cn+1+G*dn+1,n=N-1,N-2,…,0。其中,H*和G*分别为H和G的对偶算子。采用上述重构算式可以对d1,d2,…,dN和cN分别进行重构,得到D1,D2,…,DN和CN,并且满足:C0=CN+D1+D2+…+DN。其中,CN为低频信号,反映有效泊位占有率本质变化趋势,D1,D2,…,DN为高频干扰信号,反映有效泊位占有率的随机变化趋势。
3)用小波神经网络模型对N+1个重构的时间序列进行预测
本发明中的小波神经网络以三层BP神经网络的拓扑结构为基础,是一种以小波基函数作为隐层节点的传递函数、信号向前传播而误差向后传播的神经网络,网络输入节点数为r,隐层节点数为l,输出节点数为m;在短时预测时,m一般取为1,但不限于1。训练所使用的数据是步骤2)中得到的N+1个重构的时间序列CN,D1,D2,…,DN。
设小波神经网络的输入信号可以表示为一个一维向量xi(i=1,2,…,r),输出信号表示为y(k)(k=1,2,…,m);在本发明的重构时间序列短时预测实际实施过程中,若输入向量为D1,则令xi=D1。隐含层输出的计算公式为:
小波神经网络输出层预测值的计算公式为:
式中,ωjk为隐含层j节点和输出层k节点间的连接权值。
本发明中小波神经网络的权值参数修正算法类似于BP神经网络权值修正算法,采用梯度修正法修正网络权值和小波基函数参数,从而使小波神经网络预测输出不断逼近期望输出。其修正过程如下:
计算网络的预测误差
式中,yn(k)为期望输出;y(k)为小波神经网络预测输出。
根据预测误差e修正小波神经网络权值和小波基函数系数
式中,η为学习率。
用D1,D2,…,DN和CN依次训练小波神经网络,训练完成后得到最终的N+1个小波神经网络模型,然后把N+1个重构的时间序列CN,D1,D2,…,DN依次输入到对应的模型中,得到N+1个预测结果CN′,D1′,D2′,…,DN′;
4)合成N+1个预测结果CN′,D1′,D2′,…,DN′
将步骤3)中得到的N+1个预测结果CN′,D1′,D2′,…,DN′累加,获得有效泊位占有率时间序列c0的短时预测结果:c0(M+1)=CN′+D1′+D2′+…+DN′。
Claims (1)
1.一种停车场有效泊位占有率短时预测方法,其特征在于,该方法包括如下步骤:
1)统计出不同时间段内进入停车场的车辆数Ai和离开停车场的车辆数Li,其中i=1,2,···,M,M为时间段个数,则各个时间段末的有效泊位数Xi为Xi=Xi-1- Ai+ Li,各个时间段的有效泊位占有率c0i为:c0i= Xi /R,其中R为停车场总泊位数,从而得到停车场的有效泊位占有率时间序列c0={c01, c0i2, ···,c0M};
2)用小波函数对所述步骤1)中得到的有效泊位占有率时间序列c0进行N尺度的小波分解,得到一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1,d2,…,dN ,其中尺度数N为整数且4≤N≤6;然后对所述的低频系数向量cN和高频系数向量d1,d2,…,dN进行小波重构,得到N+1个重构的时间序列CN,D1,D2,…,DN;
3)对步骤2)中得到的N+1个重构的时间序列CN,D1,D2,…,DN分别建立小波神经网络预测模型,然后用所述小波神经网络预测模型对N+1个重构的时间序列CN, D1, D2,…,DN进行预测,得到N+1个预测结果CN′,D1′,D2′,…,DN′;
4)将所述步骤3)中得到的N+1个预测结果CN′,D1′,D2′,…,DN′累加,获得有效泊位占有率时间序列c0的预测结果c0(M+1)=CN′+D1′+D2′+…+DN′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103386137A CN102855773A (zh) | 2012-09-13 | 2012-09-13 | 一种停车场有效泊位占有率短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103386137A CN102855773A (zh) | 2012-09-13 | 2012-09-13 | 一种停车场有效泊位占有率短时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102855773A true CN102855773A (zh) | 2013-01-02 |
Family
ID=47402320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103386137A Pending CN102855773A (zh) | 2012-09-13 | 2012-09-13 | 一种停车场有效泊位占有率短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855773A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157688A (zh) * | 2016-08-25 | 2016-11-23 | 华南师范大学 | 基于深度学习和大数据的停车位检测方法和系统 |
CN106571059A (zh) * | 2015-10-10 | 2017-04-19 | 上海宝信软件股份有限公司 | 内部车辆系统大数据监测系统 |
CN106571056A (zh) * | 2015-10-10 | 2017-04-19 | 上海宝信软件股份有限公司 | 内部车辆系统大数据监测方法 |
CN106846891A (zh) * | 2017-03-02 | 2017-06-13 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
CN107230376A (zh) * | 2016-03-24 | 2017-10-03 | 云派科技有限公司 | 停车管理系统及与其双向通讯的信息提示系统 |
CN107239846A (zh) * | 2016-03-29 | 2017-10-10 | 中兴通讯股份有限公司 | 停车场泊位预测处理方法及装置 |
CN107248317A (zh) * | 2017-07-27 | 2017-10-13 | 武汉市艾派智能科技有限公司 | 一种基于车牌识别系统的停车场空余车位数预测方法 |
CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
CN108491354A (zh) * | 2018-02-01 | 2018-09-04 | 四川大学 | 一种通用的离散信号分解和重建方法 |
CN108648449A (zh) * | 2018-05-11 | 2018-10-12 | 杭州电子科技大学 | 基于卡尔曼滤波和nar神经网络组合的车位预测方法 |
CN109215380A (zh) * | 2018-10-17 | 2019-01-15 | 浙江科技学院 | 一种有效停车泊位的预测方法 |
CN109767291A (zh) * | 2018-12-19 | 2019-05-17 | 东南大学 | 面向弹性停车激励机制的共享停车方法 |
WO2019119319A1 (zh) * | 2017-12-20 | 2019-06-27 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
DE102018222484A1 (de) * | 2018-12-20 | 2020-06-25 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes |
CN113227842A (zh) * | 2018-12-20 | 2021-08-06 | 罗伯特·博世有限公司 | 提供用于求取停车位可用性状态的评估数据的方法、求取停车位可用性状态的方法和设备 |
CN113344168A (zh) * | 2021-05-08 | 2021-09-03 | 淮阴工学院 | 短期泊位预测方法及系统 |
CN113487905A (zh) * | 2021-06-09 | 2021-10-08 | 海南漫游谷电子商务有限公司 | 一种停车场车位预测方法及服务器 |
CN113496625A (zh) * | 2021-08-11 | 2021-10-12 | 合肥工业大学 | 一种基于改进bp神经网络的私人停车位共享方法 |
CN114325057A (zh) * | 2021-12-31 | 2022-04-12 | 重庆大学 | 基于逆黑盒及逆电磁对偶模型的pt一次电压重构方法 |
US11436488B2 (en) * | 2018-10-30 | 2022-09-06 | Toyota Jidosha Kabushiki Kaisha | Control device |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000182187A (ja) * | 1998-12-16 | 2000-06-30 | Nagoya Electric Works Co Ltd | 駐車状況測定方法およびその装置 |
JP2007172001A (ja) * | 2002-05-28 | 2007-07-05 | Banato Mohammed | 駐車場において人工知能を利用した自動案内による駐車システムと場内の車の流れと駐車スペースのシミュレーション。 |
CN101631115A (zh) * | 2009-08-20 | 2010-01-20 | 上海交通大学 | 基于小波神经网络的拥塞控制方法 |
CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN102024343A (zh) * | 2010-12-20 | 2011-04-20 | 东南大学 | 停车场有效泊位占有率短时预测方法 |
-
2012
- 2012-09-13 CN CN2012103386137A patent/CN102855773A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000182187A (ja) * | 1998-12-16 | 2000-06-30 | Nagoya Electric Works Co Ltd | 駐車状況測定方法およびその装置 |
JP2007172001A (ja) * | 2002-05-28 | 2007-07-05 | Banato Mohammed | 駐車場において人工知能を利用した自動案内による駐車システムと場内の車の流れと駐車スペースのシミュレーション。 |
CN101631115A (zh) * | 2009-08-20 | 2010-01-20 | 上海交通大学 | 基于小波神经网络的拥塞控制方法 |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
CN102024343A (zh) * | 2010-12-20 | 2011-04-20 | 东南大学 | 停车场有效泊位占有率短时预测方法 |
Non-Patent Citations (4)
Title |
---|
任崇岭: "基于小波神经网络的短时客流量预测研究", 《科学技术与工程》 * |
季彦婕 等: "实时停车泊位信息采集及动态预测技术研究", 《第一届中国智能交通年会论文集》 * |
李婧瑜 等: "基于遗传算法的小波神经网络交通流预测", 《山东大学学报(工学版)》 * |
黄敏 等: "基于小波神经网络的电梯交通流预测", 《控制与决策》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106571056B (zh) * | 2015-10-10 | 2019-06-21 | 上海宝信软件股份有限公司 | 内部车辆系统大数据监测方法 |
CN106571059A (zh) * | 2015-10-10 | 2017-04-19 | 上海宝信软件股份有限公司 | 内部车辆系统大数据监测系统 |
CN106571056A (zh) * | 2015-10-10 | 2017-04-19 | 上海宝信软件股份有限公司 | 内部车辆系统大数据监测方法 |
CN106571059B (zh) * | 2015-10-10 | 2019-06-21 | 上海宝信软件股份有限公司 | 内部车辆系统大数据监测系统 |
CN107230376B (zh) * | 2016-03-24 | 2021-03-19 | 云派科技有限公司 | 停车管理系统 |
CN107230376A (zh) * | 2016-03-24 | 2017-10-03 | 云派科技有限公司 | 停车管理系统及与其双向通讯的信息提示系统 |
CN107239846A (zh) * | 2016-03-29 | 2017-10-10 | 中兴通讯股份有限公司 | 停车场泊位预测处理方法及装置 |
CN107239846B (zh) * | 2016-03-29 | 2021-11-02 | 中兴通讯股份有限公司 | 停车场泊位预测处理方法及装置 |
CN106157688A (zh) * | 2016-08-25 | 2016-11-23 | 华南师范大学 | 基于深度学习和大数据的停车位检测方法和系统 |
CN106846891B (zh) * | 2017-03-02 | 2019-05-31 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
CN106846891A (zh) * | 2017-03-02 | 2017-06-13 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
CN107248317A (zh) * | 2017-07-27 | 2017-10-13 | 武汉市艾派智能科技有限公司 | 一种基于车牌识别系统的停车场空余车位数预测方法 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
WO2019119319A1 (zh) * | 2017-12-20 | 2019-06-27 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
CN108491354A (zh) * | 2018-02-01 | 2018-09-04 | 四川大学 | 一种通用的离散信号分解和重建方法 |
CN108491354B (zh) * | 2018-02-01 | 2021-04-13 | 四川大学 | 一种通用的离散信号分解和重建方法 |
CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
CN108648449A (zh) * | 2018-05-11 | 2018-10-12 | 杭州电子科技大学 | 基于卡尔曼滤波和nar神经网络组合的车位预测方法 |
CN109215380A (zh) * | 2018-10-17 | 2019-01-15 | 浙江科技学院 | 一种有效停车泊位的预测方法 |
CN109215380B (zh) * | 2018-10-17 | 2020-07-31 | 浙江科技学院 | 一种有效停车泊位的预测方法 |
US11436488B2 (en) * | 2018-10-30 | 2022-09-06 | Toyota Jidosha Kabushiki Kaisha | Control device |
CN109767291B (zh) * | 2018-12-19 | 2020-08-25 | 东南大学 | 面向弹性停车激励机制的共享停车方法 |
CN109767291A (zh) * | 2018-12-19 | 2019-05-17 | 东南大学 | 面向弹性停车激励机制的共享停车方法 |
DE102018222484A1 (de) * | 2018-12-20 | 2020-06-25 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes |
CN113227842A (zh) * | 2018-12-20 | 2021-08-06 | 罗伯特·博世有限公司 | 提供用于求取停车位可用性状态的评估数据的方法、求取停车位可用性状态的方法和设备 |
CN113344168A (zh) * | 2021-05-08 | 2021-09-03 | 淮阴工学院 | 短期泊位预测方法及系统 |
CN113487905A (zh) * | 2021-06-09 | 2021-10-08 | 海南漫游谷电子商务有限公司 | 一种停车场车位预测方法及服务器 |
CN113496625A (zh) * | 2021-08-11 | 2021-10-12 | 合肥工业大学 | 一种基于改进bp神经网络的私人停车位共享方法 |
CN114325057A (zh) * | 2021-12-31 | 2022-04-12 | 重庆大学 | 基于逆黑盒及逆电磁对偶模型的pt一次电压重构方法 |
CN114325057B (zh) * | 2021-12-31 | 2023-09-19 | 重庆大学 | 基于逆黑盒及逆电磁对偶模型的pt一次电压重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855773A (zh) | 一种停车场有效泊位占有率短时预测方法 | |
CN102867407A (zh) | 一种停车场有效泊位占有率多步预测方法 | |
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
CN107832882A (zh) | 一种基于马尔科夫决策过程的出租车寻客策略推荐方法 | |
CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
CN109544911B (zh) | 一种基于lstm-cnn的城市路网交通状态预测方法 | |
CN102024343A (zh) | 停车场有效泊位占有率短时预测方法 | |
CN101727746B (zh) | 信号灯控制的城市道路机动车动态行程时间估计方法 | |
CN102436751B (zh) | 基于城市宏观路网模型的交通流短时预测方法 | |
CN111127888A (zh) | 一种基于多源数据融合的城市交通流预测方法 | |
CN103177570B (zh) | 一种早晚高峰交通拥堵指数的预测方法 | |
CN105023434B (zh) | 一种高速公路拥堵指数的获取方法 | |
CN110517485B (zh) | 一种基于时段划分的短时交通流预测方法 | |
CN106503840A (zh) | 停车场可用车位预测方法及系统 | |
CN104900063B (zh) | 一种短程行驶时间预测方法 | |
CN102110365A (zh) | 基于时空关系的路况预测方法和系统 | |
CN101739822B (zh) | 区域交通状态获取的传感器网络配置方法 | |
CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN106920402A (zh) | 一种基于交通流量的时间序列划分方法与系统 | |
Liu et al. | Short-term passenger flow prediction based on wavelet transform and kernel extreme learning machine | |
CN106971546B (zh) | 基于公交车gps数据的路段公交车渗透率估计方法 | |
CN103632547B (zh) | 移动瓶颈影响下路段行程时间预测系统及实现方法 | |
CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN106297296B (zh) | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 | |
CN104008644A (zh) | 一种基于梯度下降的城市道路交通噪声测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130102 |