CN103093619A - 基于智能交通系统的交通评价方法及装置 - Google Patents
基于智能交通系统的交通评价方法及装置 Download PDFInfo
- Publication number
- CN103093619A CN103093619A CN 201310003768 CN201310003768A CN103093619A CN 103093619 A CN103093619 A CN 103093619A CN 201310003768 CN201310003768 CN 201310003768 CN 201310003768 A CN201310003768 A CN 201310003768A CN 103093619 A CN103093619 A CN 103093619A
- Authority
- CN
- China
- Prior art keywords
- hourage
- normality
- traffic
- transport information
- highway section
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能交通系统的交通评价方法及装置，涉及智能交通系统领域，可以对异常事件对交通产生的影响进行合理评价。本发明的方法主要包括：获取浮动车数据；从所述浮动车数据中提取目标路段的常态交通信息；计算所述目标路段的总交通信息与所述常态交通信息的相关系数，其中所述总交通信息包括常态和异常的交通信息，所述相关系数用于评价所述目标路段的交通受异常事件的影响程度。本发明的实施例主要用于评价异常事件对交通状况的影响的过程中。
Description
技术领域
本发明涉及智能交通系统（Intelligent Transportation System，ITS）领域，尤其涉及一种基于智能交通系统的交通评价方法及装置。
背景技术
由于交通路网本身十分复杂，交通状况会随时变化，为了能够给人们提供有效的交通状况信息，提高人们的出行效率，需要考虑的对交通状况造成影响的因素很多。交通状况不仅会受到各种大型事件（Large Social Events）等人为因素的影响，还会受到雨雪天气等自然因素的影响。由于人为因素或自然因素等对交通影响存在偶然性，导致交通规律很难进行挖掘统计，但依据交通趋势的基本规律得出的交通状况信息才能具有较高的参考价值。
传统的，对交通状况的评价方法为：不区分常态交通状况和异常交通状况的，对浮动车数据（Floating Car Data，FCD）统一采样分析得到基本交通趋势。通常对一个路段的交通状况的评价的参考值是从该路段的原点（Origin）到终点（Destination）所需时长，也称为该路段的旅行时间（Travel Time）。因此，对于常态交通(Normal Traffic Condition)，即不受到天气、节假日、大型活动等影响的工作日和周末的正常交通，采用上述交通影响评价（Traffic Effect Estimation）方法可以为人们提供具有参考价值的交通评价信息。
但是，在实现上述交通评价的过程中，发明人发现现有技术中至少存在如下问题：
对于异常交通，即受到天气、节假日、大型活动等影响的工作日和周末的交通，目前并没有合适的交通趋势提取和交通影响分析的方法，从而不能对各 类异常事件产生的影响进行合理的评价。
发明内容
本发明的实施例提供一种基于智能交通系统的交通评价方法及装置，可以对异常事件对交通产生的影响进行合理评价。
为达到上述目的，本发明的实施例采用如下技术方案：
本发明的一方面，提供一种基于智能交通系统的交通评价方法，包括：
获取浮动车数据；
从所述浮动车数据中提取目标路段的常态交通信息；
计算所述目标路段的总交通信息与所述常态交通信息的相关系数，其中所述总交通信息包括常态和异常的交通信息，所述相关系数用于评价所述目标路段的交通受异常事件的影响程度。
本发明的另一方面，提供一种基于智能交通系统的交通评价装置，包括：
获取单元，用于获取浮动车数据；
提取单元，用于从所述获取单元获取的浮动车数据中提取目标路段的常态交通信息；
计算单元，用于计算所述目标路段的总交通信息与所述提取单元提取的常态交通信息的相关系数，其中所述总交通信息包括常态和异常的交通信息，所述相关系数用于评价所述目标路段的交通受异常事件的影响程度。
本发明实施例提供的基于智能交通系统的交通评价方法及装置，将影响交通状况的大型事件或天气原因导致的异常交通信息与不受大型事件或天气影响的常态交通信息分离，通过常态交通信息与总交通信息的相关系数，合理评价大型事件或天气等原因对交通状况的影响，从而可以提供更具有参考价值的交通评价信息，方便人们出行提高用户体验。
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1中的一种基于智能交通系统的交通评价方法流程图；
图2为本发明实施例2中的一种基于智能交通系统的交通评价方法流程图；
图3为本发明实施例2中的一种目标路段的样本提取流程图；
图4为本发明实施例2中的一种旅行时间的分布示意图；
图5为本发明实施例2中的一种旅行时间的聚类示意图；
图6为本发明实施例2中的一种目标路段的旅行时间提取流程图；
图7为本发明实施例2中的一种常态交通信息提取流程图；
图8为本发明实施例3中的一种基于智能交通系统的交通评价装置组成示意图。
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
本发明实施例提供一种基于智能交通系统的交通评价方法，如图1所示，包括：
101、获取浮动车数据。
其中，本实施例中的交通评价系统是基于浮动车数据（Float Car Data，FCD）的动态交通信息服务系统，是利用历史的路网交通状态数据评价大型事件对于交通的影响，从而为各种受到各类因素影响的宏观交通的应用提供理论依据和决策支持。需要指出的是，这里的异常事件是广义的，不仅包括交通事故，还包括对目标路段交通产生影响的恶劣天气、演唱会等社会活动、以及交通限号等政府决策。
102、从所述浮动车数据中提取目标路段的常态交通信息。
其中，所述从所述浮动车数据中提取目标路段的常态交通信息，包括：统计各个时间段内从所述目标路段的原点到终点所需的旅行时间以及所述旅行时间的发生频率；根据所述旅行时间的发生频率，采用聚类算法区分常态旅行时间和异常旅行时间；计算所述各个时间段内的常态旅行时间均值，得到在所述各个时间段的常态旅行时间分布曲线，即常态交通信息。
103、计算所述目标路段的总交通信息与所述常态交通信息的相关系数，其中所述总交通信息包括常态和异常的交通信息，所述相关系数用于评价所述目标路段的交通受异常事件的影响程度。
其中，所述计算所述目标路段的总交通信息与所述常态交通信息的相关系数，包括：选取所述常态交通信息中异常事件造成影响的时间段的常态旅行时间分布曲线；将选取的所述常态旅行时间分布曲线与同一时间段的总旅行时间分布曲线计算相关系数。
本发明实施例提供的基于智能交通系统的交通评价方法，将影响交通状况的大型事件或天气原因导致的异常交通信息与不受大型事件或天气影响的常态交通信息分离，通过常态交通信息与总交通信息的相关系数，合理评价大型事 件或天气等原因对交通状况的影响，从而可以提供更具有参考价值的交通评价信息，方便人们出行提高用户体验。
实施例2
本发明实施例提供一种基于智能交通系统的交通评价方法，如图2所示，包括：
201、获取浮动车数据。
202、从所述浮动车数据中确定通过所述目标路段的浮动车。
其中，为了更好的反映异常事件对交通影响，本发明实施例对道路路网中的任意一个目标路段（Origin-Destination，OD）的交通状况进行评价，并且本文中所指的目标路段是限定原点和终点的路段，也就是说评价结果反映的是异常事件对目标路段从原点（O点）到终端（D点）的旅行时间的影响。其中O点和D点可以是道路路网中任意指定的起点和终点，O点和D点不能相同。
具体的，提取通过目标路段的浮动车的数据的方法如图3所示，可以为：读取路链列表，采用目标路段的原点和终点初始化原点和终点参数；读取浮动车数据，例如浮动车数据为.seq格式的文件；将浮动车数据按照浮动车ID和时间段进行排序；从第一辆浮动车开始遍历每一辆浮动车的行驶记录，确定该浮动车是否通过原点到终端的目标路段；如果该浮动车通过了目标路段，则确定该浮动车通过目标路段所用的旅行时间是否有效，通常为判断该旅行时间是否小于24小时，若超过24小时则为无效数据，不做参考；如果该浮动车的旅行时间有效，则可以提取该浮动车的数据作为统计目标路段的旅行时间的样本。
203、统计所述通过所述目标路段的浮动车通过所述目标路段的旅行时间。
其中，目标路段的旅行时间是一个指标性参数，用来描述一个浮动车从O 点到D点所用的旅行时间（Travel Time），可以表示目标路段的交通状态。基于路网的交通评价指标是OD的旅行时间，利用采集到的浮动车数据经过一系列的地图匹配和路径推测操作后得到道路交通路况数据，然后再利用路况数据进行提取统计OD旅行时间，进而通过OD的旅行时间评价道路的交通状态。
其中，对于步骤202中提取到的通过目标路段的浮动车数据样本，还要提取浮动车通过目标路段的旅行时间，以及有多少个浮动车需要同样的旅行时间（即旅行时间的发生频率）。具体的，如图4所示，初始化被统计的时间段，例如8点，初始化统计的旅行时间，默认为0；初始化浮动车样本的个数，默认为0。其中，每统计一个浮动车样本，样本个数加1直到将步骤202中采样的浮动车样本都统计完，每统计完一个时间段的全部浮动车样本则时间段的取值跳到下一时间段，这样便可以对每个时间段就完成统计了。遍历一个时间段中每个浮动车样本得到目标路段的旅行时间总和，将总和除以样本个数便可以得到该时间段的目标路段的平均旅行时间。以此类推可以计算得到各个时间段的目标路段的平均旅行时间。
204、统计各个时间段内从所述目标路段的原点到终点所需的旅行时间以及所述旅行时间的发生频率。
例如，如图5所示，以一年中的所有周一作为特征日，对该年的浮动车数据中所有周一的数据进行统计。如图3所示，为浮动车采集到的目标路段在周一8点、周一12点、周一18点以及周一20点四个时间段的旅行时间分布情况。柱状图的高度代表该旅行时间在该时间段出现的频率。
205、根据所述旅行时间的发生频率，采用聚类算法区分常态旅行时间和异常旅行时间。
其中，对各个时间段的数据进行正态分布检验。从上面各个时间段的数据 频率分布图可以看出,有的数据符合正态分布，例如周一8点和18点的数据符合正态分布，而12点和20点的数据则不符合正态分布。对于符合正态分布的数据，可以根据正态分布的N（μ，σ）以及置信度α（例如α=70%），可以求出以μ为中心的面积分布为置信度的上下边界[Xlow，Xup]。汇总各个时间段计算出的[Xlow，Xup]，便可以形成常态分布范围的时间序列，得到常态旅行时间曲线。
另外，对于不符合正态分布的数据，将同一时间段的浮动车计算得到的旅行时间按照发生频率的多少分为两类；将发生频率高的一类中的旅行时间作为常态旅行时间。具体的，可以采用K-means聚类算法进行分类，将分类设定为两类。通过聚类算法之后，同一时间段的数据被按照发生频率而分为两类，我们认为频率最大的数据所在的类作为常态类，另外一个类为非常态类。例如，如图6所示，以周一20点的数据为例，发生频率高于0.02的旅行时间为常态类旅行时间，发生频率低于0.02的旅行时间为非常态类旅行时间。
206、计算所述各个时间段内的常态旅行时间均值，得到在所述各个时间段的常态旅行时间分布曲线，即常态交通信息。
其中，如图7所示，通过步骤205中将不符合正态分布的数据分为常态类和非常态类两类后，计算所有常态类X的元素个数在总的数据中的占比b，如果此占比恰好约等于置信度α，则可以汇总各个时间段计算出的[Xlow，Xup]，便可以形成常态分布范围的时间序列，得到常态旅行时间曲线。如果占比大于置信度α，则计算常态类的均值x0，并计算常态类各个元素与类中心x0的欧几里德距离，选取距离最大的点删除，迭代直至b=α。求出以最新的x0为中心的面积分布为70%的常态类的上下边界[Xlow，Xup]，然后汇总各个时间段计算出的[Xlow，Xup]，形成常态分布范围的时间序列，得到常态旅行时间曲线。如果占比小于置信度α，则计算非常态类中各点与类中心x0的欧几里德距离，选取 距离最小的点加入到常态类，迭代直至b=α。求出以最新的x0为中心的面积分布为70%的常态类的上下边界[Xlow，Xup]，然后汇总各个时间段计算出的[Xlow，Xup]，形成常态分布范围的时间序列，得到常态旅行时间曲线。
207、选取所述常态交通信息中异常事件造成影响的时间段的常态旅行时间分布曲线。
208、将选取的所述常态旅行时间分布曲线与同一时间段的总旅行时间分布曲线计算相关系数。
其中，用于评价异常事件对交通的影响程度的时间段，可以是事件发生时间前两个小时开始到事件结束时间后的两个小时的时间段，或者，对于交通事故等无法明确得知结束时间的，通常可以事故发生后1小时作为结束时间为宜。以上异常事件的影响时间段仅为举例，实际采样可以根据实际事件情况而定，本发明对此不做限定。
具体的，常态旅行时间分布曲线与同一时间段的总旅行时间分布曲线之间的相关系数，可以体现受到异常事件影响的交通状况和和常态交通状况的相似程度。相关系数γαβ的定义如下所示，
在公式（1）中，γαβ是指观察值xα和xβ之间的相关程度，用相关系数表示。其中，xα是向量(x1α，x2α,…,xnα)T，xβ是向量(x1β，x2β，···,xnβ)T。计算出的相关系数用γαβ表示，γαβ值的范围在-1和+1之间。γαβ>0为正相关，γαβ<0为负相关。γαβ=0表示不相关；γαβ的绝对值越大，相关程度越高，表示异常事件对目标路段的旅行时间影响越小。如果相关程度越低，表示常态和异常的两个时间序列越不相似，进而表示目标路段的旅行时间受到异常事件影响越大。
本发明实施例提供的基于智能交通系统的交通评价方法，将影响交通状况的大型事件或天气原因导致的异常交通信息与不受大型事件或天气影响的常态交通信息分离，通过常态交通信息与总交通信息的相关系数，合理评价大型事件或天气等原因对交通状况的影响，从而可以提供更具有参考价值的交通评价信息，方便人们出行提高用户体验。
实施例3
本发明实施例提供一种基于智能交通系统的交通评价装置，如图8所示，包括：获取单元31、提取单元32、计算单元33。
获取单元31，用于获取浮动车数据；
提取单元32，用于从所述获取单元31获取的浮动车数据中提取目标路段的常态交通信息；
计算单元33，用于计算所述目标路段的总交通信息与所述提取单元32提取的常态交通信息的相关系数，其中所述总交通信息包括常态和异常的交通信息，所述相关系数用于评价所述目标路段的交通受异常事件的影响程度。
进一步的，所述提取单元32包括：统计子单元321、区分子单元322、分布子单元323。
统计子单元321，用于统计各个时间段内从所述目标路段的原点到终点所需的旅行时间以及所述旅行时间的发生频率；
区分子单元322，用于根据所述统计子单元321统计的旅行时间的发生频率，采用聚类算法区分常态旅行时间和异常旅行时间；
分布子单元323，用于计算所述区分子单元322区分得到的各个时间段内的常态旅行时间均值，得到在所述各个时间段的常态旅行时间分布曲线，即常态 交通信息。
进一步的，所述计算单元33包括：选取子单元331、计算子单元332。
选取子单元331，用于选取所述常态交通信息中异常事件造成影响的时间段的常态旅行时间分布曲线；
计算子单元332，用于将所述选取子单元331选取的所述常态旅行时间分布曲线与同一时间段的总旅行时间分布曲线计算相关系数。
进一步的，该装置还包括：确定单元34、统计单元35。
确定单元34，用于在所述提取单元32从所述浮动车数据中提取目标路段的常态交通信息之前，从所述获取单元31获取的浮动车数据中确定通过所述目标路段的浮动车；
统计单元35，用于统计所述确定单元34确定的通过所述目标路段的浮动车通过所述目标路段的旅行时间。
进一步的，所述区分子单元322具体用于：将同一时间段的浮动车计算得到的旅行时间按照发生频率的多少分为两类；将发生频率高的一类中的旅行时间作为常态旅行时间。
本发明实施例提供的基于智能交通系统的交通评价装置，将影响交通状况的大型事件或天气原因导致的异常交通信息与不受大型事件或天气影响的常态交通信息分离，通过常态交通信息与总交通信息的相关系数，合理评价大型事件或天气等原因对交通状况的影响，从而可以提供更具有参考价值的交通评价信息，方便人们出行提高用户体验。
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 (10)
1.一种基于智能交通系统的交通评价方法，其特征在于，包括：
获取浮动车数据；
从所述浮动车数据中提取目标路段的常态交通信息；
计算所述目标路段的总交通信息与所述常态交通信息的相关系数，其中所述总交通信息包括常态和异常的交通信息，所述相关系数用于评价所述目标路段的交通受异常事件的影响程度。
2.根据权利要求1所述的基于智能交通系统的交通评价方法，其特征在于，所述从所述浮动车数据中提取目标路段的常态交通信息，包括：
统计各个时间段内从所述目标路段的原点到终点所需的旅行时间以及所述旅行时间的发生频率；
根据所述旅行时间的发生频率，采用聚类算法区分常态旅行时间和异常旅行时间；
计算所述各个时间段内的常态旅行时间均值，得到在所述各个时间段的常态旅行时间分布曲线，即常态交通信息。
3.根据权利要求2所述的基于智能交通系统的交通评价方法，其特征在于，所述计算所述目标路段的总交通信息与所述常态交通信息的相关系数，包括：
选取所述常态交通信息中异常事件造成影响的时间段的常态旅行时间分布曲线；
将选取的所述常态旅行时间分布曲线与同一时间段的总旅行时间分布曲线计算相关系数。
4.根据权利要求1所述的基于智能交通系统的交通评价方法，其特征在于，在从所述浮动车数据中提取目标路段的常态交通信息之前，所述方法还包括：
从所述浮动车数据中确定通过所述目标路段的浮动车；
统计所述通过所述目标路段的浮动车通过所述目标路段的旅行时间。
5.根据权利要求2所述的基于智能交通系统的交通评价方法，其特征在于，所述根据所述旅行时间的发生频率，采用聚类算法区分常态旅行时间和异常旅行时间，包括：
将同一时间段的浮动车计算得到的旅行时间按照发生频率的多少分为两类；
将发生频率高的一类中的旅行时间作为常态旅行时间。
6.一种基于智能交通系统的交通评价装置，其特征在于，包括：
获取单元，用于获取浮动车数据；
提取单元，用于从所述获取单元获取的浮动车数据中提取目标路段的常态交通信息；
计算单元，用于计算所述目标路段的总交通信息与所述提取单元提取的常态交通信息的相关系数，其中所述总交通信息包括常态和异常的交通信息，所述相关系数用于评价所述目标路段的交通受异常事件的影响程度。
7.根据权利要求6所述的基于智能交通系统的交通评价装置，其特征在于，所述提取单元包括：
统计子单元，用于统计各个时间段内从所述目标路段的原点到终点所需的旅行时间以及所述旅行时间的发生频率；
区分子单元，用于根据所述统计子单元统计的旅行时间的发生频率，采用聚类算法区分常态旅行时间和异常旅行时间；
分布子单元，用于计算所述区分子单元区分得到的各个时间段内的常态旅行时间均值，得到在所述各个时间段的常态旅行时间分布曲线，即常态交通信息。
8.根据权利要求7所述的基于智能交通系统的交通评价装置，其特征在于，所述计算单元包括：
选取子单元，用于选取所述常态交通信息中异常事件造成影响的时间段的常态旅行时间分布曲线；
计算子单元，用于将所述选取子单元选取的所述常态旅行时间分布曲线与同一时间段的总旅行时间分布曲线计算相关系数。
9.根据权利要求6所述的基于智能交通系统的交通评价装置，其特征在于，还包括：
确定单元，用于在所述提取单元从所述浮动车数据中提取目标路段的常态交通信息之前，从所述浮动车数据中确定通过所述目标路段的浮动车；
统计单元，用于统计所述确定单元确定的通过所述目标路段的浮动车通过所述目标路段的旅行时间。
10.根据权利要求7所述的基于智能交通系统的交通评价装置，其特征在于，所述区分子单元具体用于：
将同一时间段的浮动车计算得到的旅行时间按照发生频率的多少分为两类；
将发生频率高的一类中的旅行时间作为常态旅行时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201310003768 CN103093619A (zh) | 2013-01-05 | 2013-01-05 | 基于智能交通系统的交通评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201310003768 CN103093619A (zh) | 2013-01-05 | 2013-01-05 | 基于智能交通系统的交通评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103093619A true CN103093619A (zh) | 2013-05-08 |
Family
ID=48206140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201310003768 Pending CN103093619A (zh) | 2013-01-05 | 2013-01-05 | 基于智能交通系统的交通评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103093619A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
| CN105551250A (zh) * | 2016-01-13 | 2016-05-04 | 东南大学 | 一种基于区间聚类的城市道路交叉口运行状态判别方法 |
| CN106097717A (zh) * | 2016-08-23 | 2016-11-09 | 重庆大学 | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 |
| CN110675631A (zh) * | 2019-10-15 | 2020-01-10 | 中国城市规划设计研究院 | 一种交通流溯源分析方法及系统 |
| CN112150814A (zh) * | 2020-02-27 | 2020-12-29 | 周国霞 | 基于智能交通的信息处理方法、装置及智能交通系统 |
| CN112860764A (zh) * | 2021-02-09 | 2021-05-28 | 青岛海信网络科技股份有限公司 | 一种路网异常事件处理方法、装置、设备和介质 |
-
2013
- 2013-01-05 CN CN 201310003768 patent/CN103093619A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
| CN104809878B (zh) * | 2015-05-14 | 2017-03-22 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
| CN105551250A (zh) * | 2016-01-13 | 2016-05-04 | 东南大学 | 一种基于区间聚类的城市道路交叉口运行状态判别方法 |
| CN105551250B (zh) * | 2016-01-13 | 2018-07-17 | 东南大学 | 一种基于区间聚类的城市道路交叉口运行状态判别方法 |
| CN106097717A (zh) * | 2016-08-23 | 2016-11-09 | 重庆大学 | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 |
| CN106097717B (zh) * | 2016-08-23 | 2018-09-11 | 重庆大学 | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 |
| CN110675631A (zh) * | 2019-10-15 | 2020-01-10 | 中国城市规划设计研究院 | 一种交通流溯源分析方法及系统 |
| CN112150814A (zh) * | 2020-02-27 | 2020-12-29 | 周国霞 | 基于智能交通的信息处理方法、装置及智能交通系统 |
| CN112150814B (zh) * | 2020-02-27 | 2022-04-15 | 深圳市品轩智能图像技术有限公司 | 基于智能交通的信息处理方法、装置及智能交通系统 |
| CN112860764A (zh) * | 2021-02-09 | 2021-05-28 | 青岛海信网络科技股份有限公司 | 一种路网异常事件处理方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
| CN103093619A (zh) | 基于智能交通系统的交通评价方法及装置 | |
| CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
| Kabir et al. | Predicting thunderstorm-induced power outages to support utility restoration | |
| CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
| Shashaani et al. | Multi-stage prediction for zero-inflated hurricane induced power outages | |
| CN106096507B (zh) | 智慧交通黑车识别方法 | |
| US10410160B2 (en) | Roadway maintenance condition detection and analysis | |
| CN105261217A (zh) | 一种基于密度聚类算法的城市交通拥堵状态检测方法 | |
| CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
| CN104182830A (zh) | 一种基于多维分析的配电系统可靠性薄弱环节挖掘方法 | |
| CN112508237B (zh) | 基于数据分析的雨型区域划分方法和实时雨型预测方法 | |
| CN109995611B (zh) | 流量分类模型建立及流量分类方法、装置、设备和服务器 | |
| CN113780657B (zh) | 洪水事件识别方法、装置、计算机设备和存储介质 | |
| CN109726737B (zh) | 基于轨迹的异常行为检测方法及装置 | |
| CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
| CN110334127B (zh) | 一种配电网线路故障规律挖掘方法、系统及存储介质 | |
| Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
| CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
| CN111339155B (zh) | 一种关联分析系统 | |
| CN110399537A (zh) | 一种基于人工智能技术的警情时空预测方法 | |
| Bárdossy et al. | Circulation patterns identified by spatial rainfall and ocean wave fields in Southern Africa | |
| KR102387284B1 (ko) | 건강 영향의 심각도 및 사회경제적 취약성을 고려한 폭염영향 예측 장치 및 방법 | |
| Kalantari et al. | Developing a fractal model for spatial mapping of crime hotspots | |
| Fior et al. | Estimating the incidence of adverse weather effects on road traffic safety using time series embeddings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130508 |