CN103065469A - 行程时间的确定方法和装置 - Google Patents
行程时间的确定方法和装置 Download PDFInfo
- Publication number
- CN103065469A CN103065469A CN2012105451747A CN201210545174A CN103065469A CN 103065469 A CN103065469 A CN 103065469A CN 2012105451747 A CN2012105451747 A CN 2012105451747A CN 201210545174 A CN201210545174 A CN 201210545174A CN 103065469 A CN103065469 A CN 103065469A
- Authority
- CN
- China
- Prior art keywords
- information
- highway section
- time
- database
- current highway
- 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
本发明提供一种行程时间的确定方法和装置,该方法包括:获取当前路段上固定检测装置检测到的车辆行驶信息;将获取到的车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,其中,第一数据库中存储有各个路段在不同时间段的历史车辆行驶信息;将获取到的第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,其中,第二数据库中存储有浮动车在各个路段不同时间段的历史行驶信息;根据第二匹配信息确定当前路段的行程时间。本发明有效地解决了现有技术单一地利用固定检测器采集的交通数据可能导致行程时间预测不准确的问题,提高了道路行程时间预测的准确性。
Description
技术领域
本发明涉及智能交通领域,特别是涉及一种行程时间的确定方法和装置。
背景技术
目前,交通拥堵已经成为阻碍城市交通发展的关键因素,同时,交通拥堵问题也制约了经济的发展,加剧了环境的污染程度,影响人们的生活质量。交通拥堵问题发生,除了与机动车数量的急剧增长、人们对出行需求的增加等因素有关之外,还有很大的原因在于人们对城市路网使用不合理,缺乏相应的出行诱导信息。合理的路网使用,应该是机动车出行被均匀的分配到路网道路上,从而使路网使用效率达到最高。在现有的交通路况中,大部分路网中道路的使用很不均衡,部分道路使用率过高,造成严重拥堵,使得出行延误增加;同时,对于使用率不高的其它道路,造成资源的浪费。准确的出行诱导信息可以提高人们的出行效率,使城市路网更合理的运行。其中,诱导信息的核心内容是路网路段的行程时间。
当前行程时间的预测方法主要有基于时间序列的预测方法、RBF(RadialBasis Function,径向基函数)神经网络法、基于小波的预测方法等。其中基于时间序列的预测方法主要是通过对路段行程时间的历史数据进行平滑处理,根据历史的发展趋势对下个时间段的路段行程时间进行预测。RBF神经网络法主要是利用大量的样本数据对网络进行训练,从而得到路段行程时间的演变规律,在应用时将实时数据作为输入层,利用已得的演变规律对下一时段的行程时间进行预测。基于小波的预测方法,主要是利用了小波的信号分解重构特性,基本流程是,首先将历史信息分解为几层,每一层均表现出历史信息的不同特点,然后在分解信息的基础上对行程时间进行预测,最后将预测信息进行小波重构,从而得到路段的行程时间。
现有的路段行程时间预测方法大部分是单一的通过路侧固定检测器采集交通数据或者浮动车数据,来获取当前路段的历史行程时间。具体地,固定检测器采集的交通数据主要为断面交通数据,利用断面交通数据来对一个连续路段的行程时间进行预测,这种采集断面交通数据存在诸多的不确定因素,导致行程时间预测不准确;利用浮动车数据的方式需构建较复杂的模型,过程复杂。
针对相关技术中单一地利用固定检测器采集的交通数据,可能导致行程时间预测不准确的问题,目前尚未提出有效的解决方案。
发明内容
本发明提供一种行程时间的确定方法和装置,用以解决现有技术单一地利用固定检测器采集的交通数据,可能导致行程时间预测不准确的问题。
为解决上述技术问题,一方面,本发明提供一种行程时间的确定方法,该方法包括:获取当前路段上固定检测装置检测到的车辆行驶信息;将获取到的车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,其中,第一数据库中存储有各个路段在不同时间段的历史车辆行驶信息;将获取到的第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,其中,第二数据库中存储有浮动车在各个路段不同时间段的历史行驶信息;根据第二匹配信息确定当前路段的行程时间。
优选地,将获取到的车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,包括:获取车辆行驶信息中的速度信息;在第一数据库中,查找到当前路段与速度信息相匹配的第一时间段;在查找到的与速度信息相匹配的第一时间段中,选择与当前时间参数和/或天气参数相匹配的第二时间段;将第二时间段作为第一匹配信息。
优选地,将获取到的第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,包括:在第二数据库中获取第二时间段的下一时间段的浮动车的行驶信息;在获取到的第二时间段的下一时间段的浮动车的行驶信息中,筛选出包含有当前路段的行驶信息;将筛选出的包含有当前路段的行驶信息作为第二匹配信息。
优选地,根据第二匹配信息确定当前路段的行程时间,包括:获取第二匹配信息中浮动车行驶路段的长度;根据获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。
优选地,在根据获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间时,还包括:判断当前路段是否存在交叉口;在判定当前路段存在交叉口时,确定交叉口影响因子,根据确定的交叉口影响因子、获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。
另一方面,本发明还提供一种行程时间的确定装置,该装置包括:获取单元,用于获取当前路段上固定检测装置检测到的车辆行驶信息;第一匹配单元,用于将获取到的车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,其中,第一数据库中存储有各个路段在不同时间段的历史车辆行驶信息;第二匹配单元,用于将获取到的第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,其中,第二数据库中存储有浮动车在各个路段不同时间段的历史行驶信息;时间确定单元,用于根据第二匹配信息确定当前路段的行程时间。
优选地,第一匹配单元包括:第一获取模块,用于获取车辆行驶信息中的速度信息;查找模块,用于在第一数据库中,查找到当前路段与速度信息相匹配的第一时间段;选择模块,用于在查找到的与速度信息相匹配的第一时间段中,选择与当前时间参数和/或天气参数相匹配的第二时间段,将第二时间段作为第一匹配信息。
优选地,第二匹配单元包括:第二获取模块,用于在第二数据库中获取第二时间段的下一时间段的浮动车的行驶信息;筛选模块,用于在获取到的第二时间段的下一时间段的浮动车的行驶信息中,筛选出包含有当前路段的行驶信息,将筛选出的包含有当前路段的行驶信息作为第二匹配信息。
优选地,时间确定单元包括:第三获取模块,用于获取第二匹配信息中浮动车行驶路段的长度;确定模块,用于根据获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。
优选地,确定模块包括:判断子模块,用于判断当前路段是否存在交叉口;第一确定子模块,用于在判断子模块判定当前路段存在交叉口时,确定交叉口影响因子;第二确定子模块,用于根据确定的交叉口影响因子、获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。
本发明有益效果如下:
在本发明中,将固定检测装置检测到的交通数据与浮动车数据进行结合使用,经过综合分析,确定当前路段的行程时间,这种确定行程时间的方式有效地解决了现有技术单一地利用固定检测器采集的交通数据可能导致行程时间预测不准确的问题,提高了道路行程时间预测的准确性。
附图说明
图1是本发明实施例中行程时间的确定方法的一种优选的流程图;
图2是本发明实施例中行程时间的确定方法中选择的浮动车路段的示意图;
图3是本发明实施例中行程时间的确定装置的一种优选的结构框图;
图4是本发明实施例中行程时间的确定装置的另一种优选的结构框图;
图5是本发明实施例中行程时间的确定装置的又一种优选的结构框图;
图6是本发明实施例中行程时间的确定装置的又一种优选的结构框图。
具体实施方式
为了解决现有技术中单一地利用固定检测器采集的交通数据可能导致行程时间预测不准确的问题,本发明提供了一种行程时间的确定方法和装置,下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
本发明优选的实施方式提供了一种行程时间的确定方法,图1示出该方法的一种优选的流程图,如图1所示,该方法包括如下步骤:
S102,获取当前路段上固定检测装置检测到的车辆行驶信息;
优选地,固定检测装置包括检测摄像头、速度检测仪等交通检测设备,通过固定检测装置可以获取的车辆行驶信息包括:速度、占有率、交通流量等参数,优选地,通过获取车辆行驶信息中的速度参数,来进行对车辆行程时间的预测,优选地,当前路段内可能存在多个固定检测装置,每个固定检测装置负责检测各自范围内的车辆行驶速度参数,该参数可作为行驶时间预测的基准数据。
S104,将获取到的车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,其中,第一数据库中存储有各个路段在不同时间段的历史车辆行驶信息;
具体来说,将固定检测装置检测到的速度参数与第一数据库中的历史车辆信息进行匹配,例如,当前路段存在三个固定监测装置,其检测的速度参数分别为60KM/H、55KM/H、65KM/H,则在第一数据库中查找到当前路段的历史车辆行驶信息,并筛选出三个对应固定检测装置分别为60KM/H、55KM/H、65KM/H的对应的时间段。优选地,筛选条件可以自己定义,可以是与三个固定检测装置检测到的数据相同,也可以是符合预定范围。
S106,将获取到的第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,其中,第二数据库中存储有浮动车在各个路段不同时间段的历史行驶信息;
优选地,第二数据库中存储有浮动车的历史行驶信息,在第一数据库确定符合条件的时间段之后,在第二数据库中,获取与该时间段对应的浮动车的历史行驶信息,优选地,获取的信息为确定的时间段的下一时间段对应的浮动车的行驶信息,该行驶信息中包含有速度信息、路程信息、时间信息等。
S108,根据第二匹配信息确定当前路段的行程时间。
根据确定的浮动车的行驶信息,进行相应的分析计算,确定当前路段的行程时间。
在上述优选的实施方式中,将固定检测装置检测到的交通数据与浮动车数据进行结合使用,经过综合分析,确定当前路段的行程时间,这种确定行程时间的方式有效地解决了现有技术单一地利用固定检测器采集的交通数据可能导致行程时间预测不准确的问题,提高了道路行程时间预测的准确性。
在本发明的一个优选的实施方式中,还提供了一种获取第一匹配信息的方案,该方案包括如下步骤:获取车辆行驶信息中的速度信息;在第一数据库中,查找到当前路段与速度信息相匹配的第一时间段;在查找到的与速度信息相匹配的第一时间段中,选择与当前时间参数和/或天气参数相匹配的第二时间段;将第二时间段作为第一匹配信息。
在上述优选的实施方式中,将固定检测装置检测到的速度参数作为衡量该路段行驶时间的基准参数后,在第一数据库中筛选出与速度参数匹配的时间段,并通过其他参数信息,如当前天气状况(包含雨、雪、雾、晴等天气条件)、时间参数(如,星期几)进行进一步筛选,缩小选取范围,提高预测的精准度。
在本发明的一个优选的实施方式中,还提供了一种获取第二匹配信息的方案,具体来说,该方案包括如下步骤:在第二数据库中获取第二时间段的下一时间段的浮动车的行驶信息;在获取到的第二时间段的下一时间段的浮动车的行驶信息中,筛选出包含有当前路段的行驶信息;将筛选出的包含有当前路段的行驶信息作为第二匹配信息。上述优选的方案中,将固定检测装置采集到的数据与浮动车数据相结合,进行综合分析,提高行程时间预测的准确性。
此外,本发明优选的实施方式还提供了一种根据第二匹配信息对当前路段的行程时间进行预测的方法,该方法包括如下步骤:获取第二匹配信息中浮动车行驶路段的长度;根据获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。优选地,在根据获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间时,判断当前路段是否存在交叉口;在判定当前路段存在交叉口时,确定交叉口影响因子,根据确定的交叉口影响因子、获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。上述优选的实施方式中,根据路段车辆行驶速度、路段长度、以及路段中是否存在交叉口等因素,进行综合分析,预测车辆的行程时间,简单且高效。
下面对上述方法进行具体说明,包括如下步骤:
步骤1:获取固定检测装置检测的数据,并与数据库中的历史数据进行匹配,优选的,如果当前预测路段周围各检测器的速度数据与历史数据库中某时段的数据匹配度高于预定阈值(如90%),则可将历史数据库中该时段作为案例时段提取出来。
优选地,可以通过以下方案完成上述选取的过程:
假设共有m个固定检测装置,分别为D(1),D(2)......D(m),当前时段m个检测器对应的检测平均速度为分别V(1),V(2).......V(m),对应的历史平均速度数据为V(1)′,V(2)′.......V(m)′。定义εi为当前一个固定检测装置平均速度V(i)与历史平均速度V(i)′的绝对差:
εi=|V(i)-V(i)′|
定义单个检测器的匹配阈值不能超过θ(1),所有检测器的绝对差的平均值不能超过θ(2),即,
将满足上述两个公式的历史时段提取出来。
步骤2:进行天气数据匹配,优选地,天气数据包含雨、雪、雾、晴四种。通过与历史天气数据库匹配,从相似案例时段中近一步提取出与当前预测路段天气环境相似的时段案例。
步骤3:进行时间匹配,优选地,时间匹配主要是根据当前预测路段的时间是一周当中的哪一个工作日,与历史数据库匹配,在步骤2的基础上近一步缩小相似时段案例范围。
步骤4:得到最终的时段案例库。
步骤5:在浮动车信息数据库中,提取上述时段案例库中下一时段的浮动车数据信息。
步骤6:对浮动车数据进行筛选,其中,在下一时段的浮动车数据信息中,将包含所需预测路段的保留,将不包含预测路段的删除。
优选地,通过以下方案完成对浮动车数据的筛选:
a.根据建立的时段数据库,提取出历史数据库中与当前时段对应的下一时段的浮动车数据。浮动车时段范围根据所选预测路段的长度进行匹配,以浮动车路段包含预测路段为基本原则。
b.对满足上述条件的浮动车数据进行筛选,利用最邻近算法找出包含预测路段的最小的浮动车数据,具体来说,计算同一方向满足条件的浮动车初始端点与路段初始端点的距离L(S)以及浮动车终点与路段终点的距离L(D),在满足条件的所有浮动车数据中,选择min(L(S)+L(D))的浮动车数据,作为预测数据。
步骤7,在最终确定的范围内进行分析,优选地,可以根据浮动车数据信息中浮动车路段与预测路段的匹配度,以及预测路段内是否包含交叉口,以及预测路段内是否包含历史浮动车数据进行分析,具体可分为四种情况:
第1种,预测路段内无交叉口,浮动车数据信息中浮动车路段与预测路段重合,这种情况是最好的情况,可直接将浮动车路段的行驶时间作为预测的路段行驶时间。
第2种,预测路段内无交叉口,历史浮动车路段包含预测路段,预测路段内无历史浮动车数据。这种情况需要计算预测路段与浮动车路段的长度比例,根据比例关系,确定预测路段的行驶时间。
第3种,预测路段内无交叉口,历史浮动车路段包含预测路段,预测路段内有历史浮动车数据。这种情况,首先,根据历史浮动车速度数据求出预测路段的第一行驶时间,其次,根据第二种情况求出预测路段作为第二行驶时间,最后将两种预测时间加权平均得到预测路段行程时间。
第4种,预测路段内有交叉口,这种情况需要考虑交叉口延误对路段行程时间的影响,通过交叉口影响因子预测路段行驶时间。
优选地,本发明的实施例还提供了一种交叉口影响因子计算,假设交叉口的影响因子为β,路段车辆运行速度为匀速行驶。选包含预测路段的两条浮动车路段数据L(CD)、L(EF),具体见图2:
无交叉口情况下,根据浮动车数据得路段CD、EF的行程时间分别为T(VD)、T(EF),行程时间与路段长度成正比,则:
有交叉口情况下,路段EF与路段CD之间包含交叉口,根据浮动车数据得到路段CD、EF的行程时间为T′(CD)、T′(EF),交叉口的影响因子为β。则:
则,
计算预测路段AB的行程时间:
判断路段AB内是否存在交叉口,如果是,则执行下述步骤a,如果不是执行下述步骤b:
步骤a:路段AB内存在交叉口的情况下,根据上述的计算的交叉口影响因子β的公式,预测路段AB的行程时间T′(AB)为:
则,
步骤9:路段AB内不存在交叉口的情况下,预测路段AB的行程时间T′(AB)为:
实施例2
基于上述实施例1中提供的行程时间的确定方法,本优选的实施例提供了一种行程时间的确定装置,如图3所示,该装置包括:
获取单元302,用于获取当前路段上固定检测装置检测到的车辆行驶信息;优选地,固定检测装置包括检测摄像头、速度检测仪等交通检测设备,通过固定检测装置可以获取的车辆行驶信息包括:速度、占有率、交通流量等参数,优选地,通过获取车辆行驶信息中的速度参数,来进行对车辆行程时间的预测,优选地,当前路段内可能存在多个固定检测装置,每个固定检测装置负责检测各自范围内的车辆行驶速度参数,该参数可作为行驶时间预测的基准数据。
第一匹配单元304,用于将获取到的车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,其中,第一数据库中存储有各个路段在不同时间段的历史车辆行驶信息;具体来说,将固定检测装置检测到的速度参数与第一数据库中的历史车辆信息进行匹配,例如,当前路段存在三个固定监测装置,其检测的速度参数分别为60KM/H、55KM/H、65KM/H,则在第一数据库中查找到当前路段的历史车辆行驶信息,并筛选出三个对应固定检测装置分别为60KM/H、55KM/H、65KM/H的对应的时间段。优选地,筛选条件可以自己定义,可以是与三个固定检测装置检测到的数据相同,也可以是符合预定范围。
第二匹配单元306,用于将获取到的第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,其中,第二数据库中存储有浮动车在各个路段不同时间段的历史行驶信息;优选地,第二数据库中存储有浮动车的历史行驶信息,在第一数据库确定符合条件的时间段之后,在第二数据库中,获取与该时间段对应的浮动车的历史行驶信息,优选地,获取的信息为确定的时间段的下一时间段对应的浮动车的行驶信息,该行驶信息中包含有速度信息、路程信息、时间信息等。
时间确定单元308,用于根据第二匹配信息确定当前路段的行程时间。根据确定的浮动车的行驶信息,进行相应的分析计算,确定当前路段的行程时间。
在上述优选的实施方式中,将固定检测装置检测到的交通数据与浮动车数据进行结合使用,经过综合分析,确定当前路段的行程时间,这种确定行程时间的方式有效地解决了现有技术单一地利用固定检测器采集的交通数据可能导致行程时间预测不准确的问题,提高了道路行程时间预测的准确性。
在本发明的一个优选的实施方式中,还提供了一种获取第一匹配信息的方案,具体来说,如图4所示,第一匹配单元304包括:第一获取模块402,用于获取车辆行驶信息中的速度信息;查找模块404,用于在第一数据库中,查找到当前路段与速度信息相匹配的第一时间段;选择模块406,用于在查找到的与速度信息相匹配的第一时间段中,选择与当前时间参数和/或天气参数相匹配的第二时间段,将第二时间段作为第一匹配信息。
在上述优选的实施方式中,将固定检测装置检测到的速度参数作为衡量该路段行驶时间的基准参数后,在第一数据库中筛选出与速度参数匹配的时间段,并通过其他参数信息,如当前天气状况(包含雨、雪、雾、晴等天气条件)、时间参数(如,星期几)进行进一步筛选,缩小选取范围,提高预测的精准度。
在本发明的一个优选的实施方式中,还提供了一种获取第二匹配信息的方案,具体来说,如图5所示,第二匹配单元306包括:第二获取模块502,用于在第二数据库中获取第二时间段的下一时间段的浮动车的行驶信息;筛选模块504,用于在获取到的第二时间段的下一时间段的浮动车的行驶信息中,筛选出包含有当前路段的行驶信息,将筛选出的包含有当前路段的行驶信息作为第二匹配信息。上述优选的方案中,将固定检测装置采集到的数据与浮动车数据相结合,进行综合分析,提高行程时间预测的准确性。
此外,本发明优选的实施方式还提供了一种根据第二匹配信息对当前路段的行程时间进行预测的方案,具体地,如图6所示,时间确定单元308包括:第三获取模块602,用于获取第二匹配信息中浮动车行驶路段的长度;确定模块604,用于根据获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。优选地,确定模块604包括:判断子模块,用于判断当前路段是否存在交叉口;第一确定子模块,用于在判断子模块判定当前路段存在交叉口时,确定交叉口影响因子;第二确定子模块,用于根据确定的交叉口影响因子、获取的浮动车行驶路段的长度与当前路段的长度比例关系,确定当前路段的行程时间。上述优选的实施方式中,根据路段车辆行驶速度、路段长度、以及路段中是否存在交叉口等因素,进行综合分析,预测车辆的行程时间,简单且高效。
从以上描述中可以看出,本发明优选的实施例将固定检测装置检测到的交通数据与浮动车数据进行结合使用,经过综合分析,确定当前路段的行程时间,这种确定行程时间的方式有效地解决了现有技术单一地利用固定检测器采集的交通数据可能导致行程时间预测不准确的问题,提高了道路行程时间预测的准确性。
尽管为示例目的,已经公开了本发明的优选实施例,本领域的技术人员将意识到各种改进、增加和取代也是可能的,因此,本发明的范围应当不限于上述实施例。
Claims (10)
1.一种行程时间的确定方法,其特征在于,所述方法包括以下步骤:
获取当前路段上固定检测装置检测到的车辆行驶信息;
将获取到的所述车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,其中,所述第一数据库中存储有各个路段在不同时间段的历史车辆行驶信息;
将获取到的所述第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,其中,所述第二数据库中存储有浮动车在各个路段不同时间段的历史行驶信息;
根据所述第二匹配信息确定所述当前路段的行程时间。
2.如权利要求1所述的方法,其特征在于,所述将获取到的所述车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,包括:
获取所述车辆行驶信息中的速度信息;
在所述第一数据库中,查找到所述当前路段与所述速度信息相匹配的第一时间段;
在查找到的与所述速度信息相匹配的第一时间段中,选择与当前时间参数和/或天气参数相匹配的第二时间段;
将所述第二时间段作为第一匹配信息。
3.如权利要求2所述的方法,其特征在于,所述将获取到的所述第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,包括:
在所述第二数据库中获取所述第二时间段的下一时间段的浮动车的行驶信息;
在获取到的所述第二时间段的下一时间段的浮动车的行驶信息中,筛选出包含有所述当前路段的行驶信息;
将筛选出的包含有所述当前路段的行驶信息作为所述第二匹配信息。
4.如权利要求3所述的方法,其特征在于,所述根据所述第二匹配信息确定所述当前路段的行程时间,包括:
获取所述第二匹配信息中浮动车行驶路段的长度;
根据获取的所述浮动车行驶路段的长度与所述当前路段的长度比例关系,确定当前路段的行程时间。
5.如权利要求4所述的方法,其特征在于,在根据获取的所述浮动车行驶路段的长度与所述当前路段的长度比例关系,确定当前路段的行程时间时,还包括:
判断当前路段是否存在交叉口;
在判定当前路段存在交叉口时,确定交叉口影响因子,根据确定的交叉口影响因子、获取的所述浮动车行驶路段的长度与所述当前路段的长度比例关系,确定当前路段的行程时间。
6.一种行程时间的确定装置,其特征在于,包括:
获取单元,用于获取当前路段上固定检测装置检测到的车辆行驶信息;
第一匹配单元,用于将获取到的所述车辆行驶信息与第一数据库中的信息进行匹配,以获取对应的第一匹配信息,其中,所述第一数据库中存储有各个路段在不同时间段的历史车辆行驶信息;
第二匹配单元,用于将获取到的所述第一匹配信息与第二数据库中的信息进行匹配,以获取对应的第二匹配信息,其中,所述第二数据库中存储有浮动车在各个路段不同时间段的历史行驶信息;
时间确定单元,用于根据所述第二匹配信息确定所述当前路段的行程时间。
7.如权利要求6所述的装置,其特征在于,所述第一匹配单元包括:
第一获取模块,用于获取所述车辆行驶信息中的速度信息;
查找模块,用于在所述第一数据库中,查找到所述当前路段与所述速度信息相匹配的第一时间段;
选择模块,用于在查找到的与所述速度信息相匹配的第一时间段中,选择与当前时间参数和/或天气参数相匹配的第二时间段,将所述第二时间段作为第一匹配信息。
8.如权利要求7所述的装置,其特征在于,所述第二匹配单元包括:
第二获取模块,用于在所述第二数据库中获取所述第二时间段的下一时间段的浮动车的行驶信息;
筛选模块,用于在获取到的所述第二时间段的下一时间段的浮动车的行驶信息中,筛选出包含有所述当前路段的行驶信息,将筛选出的包含有所述当前路段的行驶信息作为所述第二匹配信息。
9.如权利要求8所述的装置,其特征在于,所述时间确定单元包括:
第三获取模块,用于获取所述第二匹配信息中浮动车行驶路段的长度;
确定模块,用于根据获取的所述浮动车行驶路段的长度与所述当前路段的长度比例关系,确定当前路段的行程时间。
10.如权利要求9所述的装置,其特征在于,所述确定模块包括:
判断子模块,用于判断当前路段是否存在交叉口;
第一确定子模块,用于在所述判断子模块判定当前路段存在交叉口时,确定交叉口影响因子;
第二确定子模块,用于根据确定的交叉口影响因子、获取的所述浮动车行驶路段的长度与所述当前路段的长度比例关系,确定当前路段的行程时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210545174.7A CN103065469B (zh) | 2012-12-14 | 2012-12-14 | 行程时间的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210545174.7A CN103065469B (zh) | 2012-12-14 | 2012-12-14 | 行程时间的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103065469A true CN103065469A (zh) | 2013-04-24 |
CN103065469B CN103065469B (zh) | 2015-02-04 |
Family
ID=48108081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210545174.7A Active CN103065469B (zh) | 2012-12-14 | 2012-12-14 | 行程时间的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065469B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN104157142A (zh) * | 2014-08-27 | 2014-11-19 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
CN104269059A (zh) * | 2014-10-15 | 2015-01-07 | 河海大学 | 一种基于多源数据融合的城市路径行程时间预测方法 |
CN104332051A (zh) * | 2014-10-31 | 2015-02-04 | 重庆大学 | 城市道路rfid检测器优化布设方法 |
CN104346925A (zh) * | 2013-07-31 | 2015-02-11 | 国际商业机器公司 | 预测行车时间的方法和系统 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
WO2016155517A1 (zh) * | 2015-04-03 | 2016-10-06 | 阿里巴巴集团控股有限公司 | 物流监测方法及设备 |
CN106931980A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种行驶数据的生成方法及装置 |
CN107085944A (zh) * | 2017-06-28 | 2017-08-22 | 北京数行健科技有限公司 | 一种交通数据处理系统及方法 |
WO2017193556A1 (zh) * | 2016-05-11 | 2017-11-16 | 杭州海康威视数字技术股份有限公司 | 一种速度预测方法及装置 |
CN109155104A (zh) * | 2016-04-18 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 推荐估计到达时间的系统和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064061A (zh) * | 2007-02-08 | 2007-10-31 | 上海交通大学 | 异类交通信息实时融合方法 |
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
-
2012
- 2012-12-14 CN CN201210545174.7A patent/CN103065469B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064061A (zh) * | 2007-02-08 | 2007-10-31 | 上海交通大学 | 异类交通信息实时融合方法 |
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
Non-Patent Citations (4)
Title |
---|
唐汝磉等: "智能交通信息采集中数据融合技术探讨", 《科技咨询导报》 * |
张存保等: "固定检测器和移动检测器的交通信息融合方法", 《交通与计算机》 * |
杨兆升等: "基于固定型检测器和浮动车的路段行程时间获取技术", 《吉林大学学报(工学版)》 * |
邹亮等: "基于浮动车移动检测与感应线圈融合技术的行程时间估计模型", 《公路交通科技》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346925B (zh) * | 2013-07-31 | 2016-08-31 | 国际商业机器公司 | 预测行车时间的方法和系统 |
CN104346925A (zh) * | 2013-07-31 | 2015-02-11 | 国际商业机器公司 | 预测行车时间的方法和系统 |
CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN104021674B (zh) * | 2014-06-17 | 2016-07-06 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN104157142B (zh) * | 2014-08-27 | 2016-08-24 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
CN104157142A (zh) * | 2014-08-27 | 2014-11-19 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
CN104269059A (zh) * | 2014-10-15 | 2015-01-07 | 河海大学 | 一种基于多源数据融合的城市路径行程时间预测方法 |
CN104332051A (zh) * | 2014-10-31 | 2015-02-04 | 重庆大学 | 城市道路rfid检测器优化布设方法 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
CN106156966A (zh) * | 2015-04-03 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 物流监测方法及设备 |
WO2016155517A1 (zh) * | 2015-04-03 | 2016-10-06 | 阿里巴巴集团控股有限公司 | 物流监测方法及设备 |
US10446023B2 (en) | 2015-04-03 | 2019-10-15 | Alibaba Group Holding Limited | Logistics monitoring method and device |
CN106931980A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种行驶数据的生成方法及装置 |
CN109155104A (zh) * | 2016-04-18 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 推荐估计到达时间的系统和方法 |
WO2017193556A1 (zh) * | 2016-05-11 | 2017-11-16 | 杭州海康威视数字技术股份有限公司 | 一种速度预测方法及装置 |
US10872525B2 (en) | 2016-05-11 | 2020-12-22 | Hangzhou Hikvision Digital Technology Co., Ltd. | Speed prediction method and apparatus |
CN107085944A (zh) * | 2017-06-28 | 2017-08-22 | 北京数行健科技有限公司 | 一种交通数据处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103065469B (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103065469B (zh) | 行程时间的确定方法和装置 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
Caliendo et al. | A crash-prediction model for multilane roads | |
Innamaa | Short-term prediction of travel time using neural networks on an interurban highway | |
KR100820467B1 (ko) | 도로 차선 종류를 고려한 구간 교통량 예측 시스템 및 그방법 | |
CN103632540B (zh) | 基于浮动车数据的城市主干道交通运行信息处理方法 | |
CN103839409A (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
CN101710449A (zh) | 基于公交车gps数据的交通流运行状态识别方法 | |
CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
WO2009006059A2 (en) | Predictive models of road reliability for traffic sensor configuration and routing | |
CN102360525A (zh) | 基于判别分析的快速道路实时交通事故风险预测方法 | |
CN109712401B (zh) | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 | |
CN103280110B (zh) | 高速公路旅行时间的预测方法及装置 | |
CN101739823A (zh) | 一种适用低频采样的路段平均行程时间测量方法 | |
WO2017107790A1 (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN108985539A (zh) | 一种评价停车场道路规划的方法及装置 | |
Vanlommel et al. | An evaluation of section control based on floating car data | |
CN116434361A (zh) | 一种基于etc交易数据的高速公路拥堵识别方法 | |
Meng et al. | Link travel time and delay estimation using transit AVL data | |
KR20150072470A (ko) | 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
Zhao et al. | Travel time prediction based on pattern matching method | |
Rehborn et al. | Common traffic congestion features studied in USA, UK, and Germany employing Kerner's three-phase traffic theory | |
CN112766950A (zh) | 一种动态路径费用确定方法、装置、设备及介质 |
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 |