CN103226892B - 一种优化型的道路拥塞状态发现方法 - Google Patents
一种优化型的道路拥塞状态发现方法 Download PDFInfo
- Publication number
- CN103226892B CN103226892B CN201310118803.2A CN201310118803A CN103226892B CN 103226892 B CN103226892 B CN 103226892B CN 201310118803 A CN201310118803 A CN 201310118803A CN 103226892 B CN103226892 B CN 103226892B
- Authority
- CN
- China
- Prior art keywords
- speed
- section
- information
- car
- mean value
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007667 floating Methods 0.000 claims abstract description 40
- 239000000284 extract Substances 0.000 claims abstract description 12
- 238000004260 weight control Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010267 cellular communication Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009885 systemic effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Abstract
本发明提供一种优化型的道路拥塞状态发现方法,步骤如下:一、利用浮动车在行驶过程中定期采集车辆编号、位置、速度、时间和车辆类型等信息,并传送到数据中心;二、数据中心对上述数据进行过滤,并根据位置信息与GIS系统匹配得到浮动车所在路段,将浮动车数据存储到行车路段数据库中该路段对应的位置;三、数据中心从行车路段数据库中抽取各路段的路段信息集,结合车辆类型及速度的权重,计算速度的加权平均值,得到速度异常信息;四、统计一预设时间内各路段速度异常信息出现的次数,若达到预设值,则该路段拥塞;从而实现交通拥塞点的识别。本发明是一种更为高效、可靠、动态的道路拥塞状态发现方法,可提高路段拥塞状态发现的准确度。
Description
【技术领域】
本发明涉及一种优化型的道路拥塞状态发现方法。
【背景技术】
浮动车技术,也被称作“探测车”,已经被广泛使用,其基本原理是:根据装备车载全球定位系统的浮动车在其行驶过程中定期记录的车辆位置,方向和速度信息,应用地图匹配、路径推测等相关的计算模型和算法进行处理,使浮动车位置数据和城市道路在时间和空间上关联起来。哪些路段经常拥堵?在什么时间段经常拥堵?其拥堵程度如何?目前在公众出行等交通信息服务系统中,这些信息往往只能根据长期的统计资料以及出行者本人的经验,实现一定程度的交通堵塞点静态信息服务,尚没有有效的方法提供动态的交通堵塞点信息服务。这些方式只是长期的数据经验的累计,无法实现道路中交通堵塞点信息的动态更新。
在目前的公共出行等交通信息服务系统中,拥塞信息的发现往往都是通过长期的统计资料以及出行者本人的经验,提供的信息也主要是静态的交通拥塞点信息服务。随着浮动车技术越来越广泛的应用,本发明结合浮动车的特点提出了一种优化型的道路拥塞状态发现方法。由浮动车在行驶过程中定期采集车辆编号、位置、速度、时间和车辆类型等信息,数据中心对上述数据进行过滤后,利用位置信息进行地图匹配得到浮动车所在路段,并结合车辆类型及速度的权重,计算速度的加权平均值,得到速度异常信息,统计一预设时间内各路段速度异常信息出现的次数,若达到预设值,则该路段拥塞。与已有的同类方法相比,该方法结合车辆类型及速度的权重(其中不同的车辆类型权重不同,不同的速度权重不同),计算速度的加权平均值,得到速度异常信息,可以得到动态的、准确的交通拥塞点的信息。对于各类交通信息服务系统有着重要的意义。
【发明内容】
本发明要解决的技术问题,在于提供一种优化型的道路拥塞状态发现方法,是一种更为高效、可靠、动态的道路拥塞状态发现方法,可提高路段拥塞状态发现的准确度。
本发明是这样实现的:
一种优化型的道路拥塞状态发现方法,所述方法包括如下步骤:
步骤10、浮动车在行驶过程中根据采样周期τ定期采集车辆编号u、位置l、速度v、时间t和车辆类型h信息,得到浮动车行车数据序列xi,xi=<ui,li,vi,ti,hci/hdi/hei/hfi>,其中i为数据序列x的编号,所述下标c、d、e、f分别代表浮动车中的出租车、私家车、货车以及公交车,并通过移动蜂窝通信技术传送到数据中心;
步骤20、数据中心对各浮动车行车数据序列进行过滤,并根据位置l的信息与地理信息系统即GIS系统匹配得到浮动车所属路段,将浮动车行车数据序列存储到数据库中对应路段的路段行车信息集;
步骤30、数据中心再从数据库中抽取各路段的路段行车信息集,结合车辆类型及速度的权重后,计算速度的加权平均值,得到速度异常信息;
步骤40、统计路段行车信息集在一预设时间段内各路段速度异常信息出现的次数,若达到设定值,则该路段拥塞;从而实现交通拥塞点的识别。
进一步地,所述步骤20具体包括如下步骤:
步骤21、数据中心对上传的行车数据序列xi,xi=<ui,li,vi,ti,hci/hdi/hei/hfi>,提取xi的速度信息vi,对vi进行数据过滤,即判断vi是否小于等于vM,所述vM是系统预设的一速度即当速度vi大于vM时,道路不会发生拥堵状态;若vi≤vM,则进入下一步骤,若vi>vM,则返回步骤21判断下一个行车数据;
步骤22、从行车数据序列xi中提取位置li信息,与GIS系统进行匹配,得到位置li所属的路段rs,其中s为路段编号,并将所述行车数据序列xi存储到行车路段数据库Q中与路段rs对应的路段行车信息集qs中,所述行车路段数据库Q表示为Q={q1,q2,q3,...,qs},其中qs表示路段编号s对应的路段行车信息集。
进一步地,所述步骤30具体包括如下步骤:
步骤31、从所述行车路段数据库Q中提取各路段行车信息集qs在当前时间之前的一时间段T1内路段rs的行车数据列xi,获得时间段T1内的路段行车信息子集As,即
步骤32、将路段行车信息子集As中各浮动车辆速度vi信息与一速度权重对照表M进行对照,得到所述速度v的速度权重;
所述速度权重对照表M表示为M={m1,m2,m3,...,mk},其中mk为速度权重对照序列,即mk=<εk,αk>,其中下标k为速度权重对照序列编号,其中εk为所述速度权重对照序列浮动车辆速度的范围值,αk为所述序列的车辆速度范围值对应的速度权重,并且所述速度权重与车辆速度大小成正比;
将As中同一浮动车辆类型,即分别将出租车、私家车、货车以及公交车的车辆速度与对应的速度权重的乘积进行累加,得到出租车、私家车、货车以及公交车各自对应的速度加权平均值即其中αj为速度vj对应的速度权重且j∈i,获得速度加权平均值序列Bs,所述所述出租车速度加权平均值为私家车速度加权平均值为货车速度加权平均值为以及公交车速度加权平均值为
步骤33、将所述速度加权平均值序列Bs中各速度加权平均值分别乘以相对应的车辆类型权重p,并进行累加,得到路段rs的速度加权平均值即其中pc,pd,pe,pf分别为出租车、私家车、货车以及公交车对应的车辆类型权重,并且pc>pd>pe>pf;
步骤34、设定一速度值v0′,当车辆速度小于v0′时,则判定车辆以超低速信息行驶,即异常;判断是否小于v0′,若是,则记录为速度异常信息,并存储到行车路段数据库Q中;若否,则执行步骤35;
步骤35、判断s是否是最后一个路段编号,若是,则系统返回步骤10;若否,则将s加1重复步骤31。
进一步地,所述步骤40具体包括如下步骤:
步骤41、设定一数值N,当速度异常信息次数超过N时,则判定为一交通拥堵点;
步骤42、从行车数据库Q中提取在一预设时间段T2内路段rs的速度异常信息,并统计速度异常信息次数ns,且路段编号s的初始值为1,所述的T2等于整数倍的T1;判断ns是否大于N,若是,则识别该路段为交通堵塞点;若否,则执行下一步骤;
步骤43、判断s是否是最后一个路段编号,若是,则系统返回步骤10;若否,则将s加1重复步骤41。
本发明具有如下优点:
本发明为交通信息服务系统提出一种更为高效、可靠、动态的道路拥塞状态发现方法,可提高路段拥塞状态发现的准确度。在该方法中,为了实现道路拥塞状态发现,首先利用浮动车在行驶过程中定期采集车辆编号、位置、速度、时间和车辆类型等信息,并将采集得到的数据传送到数据中心;同时数据中心对上述数据进行过滤,并根据位置信息与GIS系统匹配得到浮动车所在路段,将浮动车数据存储到历史记录数据库中该路段对应的位置;再次数据中心从历史记录数据库中抽取各路段的路段信息集,结合车辆类型及速度的权重,计算速度的加权平均值,得到速度异常信息;最后统计一预设时间内各路段速度异常信息出现的次数,若达到预设值,则该路段拥塞;从而实现交通拥塞点的识别。
【附图说明】
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明的系统流程图。
图2是本发明的数据过滤、匹配算法流程图。
图3是本发明中速度异常信息获取算法流程图。
图4是本发明中交通拥塞点识别算法流程图。
【具体实施方式】
请参阅图1~4所示,对本发明的实施例进行详细的说明。
本发明涉及一种优化型的道路拥塞状态发现方法,所述方法包括如下步骤:
步骤10、浮动车在行驶过程中根据采样周期τ定期采集车辆编号u、位置l、速度v、时间t和车辆类型h信息,得到浮动车行车数据序列xi,xi=<ui,li,vi,ti,hci/hdi/hei/hfi>,其中i为数据序列x的编号,所述下标c、d、e、f分别代表浮动车中的出租车、私家车、货车以及公交车,并通过移动蜂窝通信技术传送到数据中心;
步骤20、数据中心对各浮动车行车数据序列进行过滤,并根据位置l的信息与地理信息系统即GIS系统匹配得到浮动车所属路段,将浮动车行车数据序列存储到数据库中对应路段的路段行车信息集;
步骤30、数据中心再从数据库中抽取各路段的路段行车信息集,结合车辆类型及速度的权重后,计算速度的加权平均值,得到速度异常信息;
步骤40、统计路段行车信息集在一预设时间段内各路段速度异常信息出现的次数,若达到设定值,则该路段拥塞;从而实现交通拥塞点的识别。
较优的,所述步骤20具体包括如下步骤:
步骤21、数据中心对上传的行车数据序列xi,xi=<ui,li,vi,ti,hci/hdi/hei/hfi>,提取xi的速度信息vi,对vi进行数据过滤,即判断vi是否小于等于vM,所述vM是系统预设的一速度即当速度vi大于vM时,道路不会发生拥堵状态;若vi≤vM,则进入下一步骤,若vi>vM,则返回步骤21判断下一个行车数据;
步骤22、从行车数据序列xi中提取位置li信息,与GIS系统进行匹配,得到位置li所属的路段rs,其中s为路段编号,并将所述行车数据序列xi存储到行车路段数据库Q中与路段rs对应的路段行车信息集qs中,所述行车路段数据库Q表示为Q={q1,q2,q3,...,qs},其中qs表示路段编号s对应的路段行车信息集。
较优的,所述步骤30具体包括如下步骤:
步骤31、从所述行车路段数据库Q中提取各路段行车信息集qs在当前时间之前的一时间段T1内路段rs的行车数据列xi,获得时间段T1内的路段行车信息子集As,即
步骤32、将路段行车信息子集As中各浮动车辆速度vi信息与一速度权重对照表M进行对照,得到所述速度v的速度权重;
所述速度权重对照表M表示为M={m1,m2,m3,...,mk},其中mk为速度权重对照序列,即mk=<εk,αk>,其中下标k为速度权重对照序列编号,其中εk为所述速度权重对照序列浮动车辆速度的范围值,αk为所述序列的车辆速度范围值对应的速度权重,并且所述速度权重与车辆速度大小成正比;
将As中同一浮动车辆类型,即分别将出租车、私家车、货车以及公交车的车辆速度与对应的速度权重的乘积进行累加,得到出租车、私家车、货车以及公交车各自对应的速度加权平均值即其中αj为速度vj对应的速度权重且j∈i,获得速度加权平均值序列Bs,所述所述出租车速度加权平均值为私家车速度加权平均值为货车速度加权平均值为以及公交车速度加权平均值为
步骤33、将所述速度加权平均值序列Bs中各速度加权平均值分别乘以相对应的车辆类型权重p,并进行累加,得到路段rs的速度加权平均值即其中pc,pd,pe,pf分别为出租车、私家车、货车以及公交车对应的车辆类型权重,并且pc>pd>pe>pf;
步骤34、设定一速度值v0′,当车辆速度小于v0′时,则判定车辆以超低速信息行驶,即异常;判断是否小于v0′,若是,则记录为速度异常信息,并存储到行车路段数据库Q中;若否,则执行步骤35;
步骤35、判断s是否是最后一个路段编号,若是,则系统返回步骤10;若否,则将s加1重复步骤31。
较优的,所述步骤40具体包括如下步骤:
步骤41、设定一数值N,当速度异常信息次数超过N时,则判定为一交通拥堵点;
步骤42、从行车数据库Q中提取在一预设时间段T2内路段rs的速度异常信息,并统计速度异常信息次数ns,且路段编号s的初始值为1,所述的T2等于整数倍的T1;判断ns是否大于N,若是,则识别该路段为交通堵塞点;若否,则执行下一步骤;
步骤43、判断s是否是最后一个路段编号,若是,则系统返回步骤10;若否,则将s加1重复步骤41。
例如,本发明步骤32中的速度权重对照表M可用下表1表示:
表1速度权重对照表M
不同车辆类型的权重值可用下表2表示:
表2车辆类型权重p
车辆类型 | 出租车pc | 私家车pd | 货车pe | 公交车pf |
权重 | 0.4 | 0.3 | 0.2 | 0.1 |
本发明为交通信息服务系统提出一种更为高效、可靠、动态的道路拥塞状态发现方法,可提高路段拥塞状态发现的准确度。在该方法中,为了实现道路拥塞状态发现,首先利用浮动车在行驶过程中定期采集车辆编号、位置、速度、时间和车辆类型等信息,并将采集得到的数据传送到数据中心;同时数据中心对上述数据进行过滤,并根据位置信息与GIS系统匹配得到浮动车所在路段,将浮动车数据存储到历史记录数据库中该路段对应的位置;再次数据中心从历史记录数据库中抽取各路段的路段信息集,结合车辆类型及速度的权重,计算速度的加权平均值,得到速度异常信息;最后统计一预设时间内各路段速度异常信息出现的次数,若达到预设值,则该路段拥塞;从而实现交通拥塞点的识别。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (3)
1.一种优化型的道路拥塞状态发现方法,其特征在于:所述方法包括如下步骤:
步骤10、浮动车在行驶过程中根据采样周期τ定期采集车辆编号u、位置l、速度v、时间t和车辆类型h信息,得到浮动车行车数据序列xi,xi=<ui,li,vi,ti,hci/hdi/hei/hfi>,其中i为数据序列x的编号,下标c、d、e、f分别代表浮动车中的出租车、私家车、货车以及公交车,并通过移动蜂窝通信技术传送到数据中心;
步骤20、数据中心对各浮动车行车数据序列进行过滤,并根据位置l的信息与地理信息系统即GIS系统匹配得到浮动车所属路段,将浮动车行车数据序列存储到数据库中对应路段的路段行车信息集;
步骤30、数据中心再从数据库中抽取各路段的路段行车信息集,结合车辆类型及速度的权重后,计算速度的加权平均值,得到速度异常信息;
步骤40、统计路段行车信息集在一预设时间段内各路段速度异常信息出现的次数,若达到设定值,则该路段拥塞;从而实现交通拥塞点的识别;所述步骤20具体包括如下步骤:
步骤21、数据中心对上传的行车数据序列xi,xi=<ui,li,vi,ti,hci/hdi/hei/hfi>,提取xi的速度信息vi,对vi进行数据过滤,即判断vi是否小于等于vM,所述vM是系统预设的一速度即当速度vi大于vM时,道路不会发生拥堵状态;若vi≤vM,则进入下一步骤,若vi>vM,则返回步骤21判断下一个行车数据;
步骤22、从行车数据序列xi中提取位置li信息,与GIS系统进行匹配,得到位置li所属的路段rs,其中s为路段编号,并将所述行车数据序列xi存储到行车路段数据库Q中与路段rs对应的路段行车信息集qs中,所述行车路段数据库Q表示为Q={q1,q2,q3,...,qs},其中qs表示路段编号s对应的路段行车信息集。
2.根据权利要求1所述的一种优化型的道路拥塞状态发现方法,其特征在于:所述步骤30具体包括如下步骤:
步骤31、从所述行车路段数据库Q中提取各路段行车信息集qs在当前时间之前的一时间段T1内路段rs的行车数据列xi,获得时间段T1内的路段行车信息子集As,即
步骤32、将路段行车信息子集As中各浮动车辆速度vi信息与一速度权重对照表M进行对照,得到速度权重;
所述速度权重对照表M表示为M={m1,m2,m3,...,mk},其中mk为速度权重对照序列,即mk=<εk,αk>,其中下标k为速度权重对照序列编号,其中εk为所述速度权重对照序列浮动车辆速度的范围值,αk为所述序列的车辆速度范围值对应的速度权重,并且所述速度权重与车辆速度大小成正比;
将As中同一浮动车辆类型,即分别将出租车、私家车、货车以及公交车的车辆速度与对应的速度权重的乘积进行累加,得到出租车、私家车、货车以及公交车各自对应的速度加权平均值即其中αj为速度vj对应的速度权重且j∈i,获得速度加权平均值序列Bs,所述所述出租车速度加权平均值为私家车速度加权平均值为货车速度加权平均值为以及公交车速度加权平均值为
步骤33、将所述速度加权平均值序列Bs中各速度加权平均值分别乘以相对应的车辆类型权重p,并进行累加,得到路段rs的速度加权平均值即其中pc,pd,pe,pf分别为出租车、私家车、货车以及公交车对应的车辆类型权重,并且pc>pd>pe>pf;
步骤34、设定一速度值v0',当车辆速度小于v0'时,则判定车辆以超低速信息行驶,即异常;判断是否小于v0',若是,则记录为速度异常信息,并存储到行车路段数据库Q中;若否,则执行步骤35;
步骤35、判断s是否是最后一个路段编号,若是,则系统返回步骤10;若否,则将s加1重复步骤31。
3.根据权利要求2所述的一种优化型的道路拥塞状态发现方法,其特征在于:所述步骤40具体包括如下步骤:
步骤41、设定一数值N,当速度异常信息次数超过N时,则判定为一交通拥堵点;
步骤42、从行车路段数据库Q中提取在一预设时间段T2内路段rs的速度异常信息,并统计速度异常信息次数ns,且路段编号s的初始值为1,所述的T2等于整数倍的T1;判断ns是否大于N,若是,则识别该路段为交通堵塞点;若否,则执行下一步骤;
步骤43、判断s是否是最后一个路段编号,若是,则系统返回步骤10;若否,则将s加1重复步骤41。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310118803.2A CN103226892B (zh) | 2013-04-08 | 2013-04-08 | 一种优化型的道路拥塞状态发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310118803.2A CN103226892B (zh) | 2013-04-08 | 2013-04-08 | 一种优化型的道路拥塞状态发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103226892A CN103226892A (zh) | 2013-07-31 |
CN103226892B true CN103226892B (zh) | 2016-02-03 |
Family
ID=48837321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310118803.2A Expired - Fee Related CN103226892B (zh) | 2013-04-08 | 2013-04-08 | 一种优化型的道路拥塞状态发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103226892B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761876B (zh) * | 2014-01-10 | 2015-12-02 | 山东大学 | 基于车路协同的道路交通信息采集方法 |
CN103942953A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于浮动车数据的城市路网动态交通拥挤预测方法 |
CN104952243B (zh) * | 2014-03-25 | 2019-05-07 | 高德软件有限公司 | 通行时长分配方法及装置 |
CN105006167A (zh) * | 2014-04-18 | 2015-10-28 | 杭州远眺科技有限公司 | 一种交通拥堵传播路径的研究方法 |
GB201408474D0 (en) * | 2014-05-13 | 2014-06-25 | Tomtom Int Bv | Methods and systems for detecting a partial closure of a navigable element |
CN104504901B (zh) * | 2014-12-29 | 2016-06-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN105139647B (zh) * | 2015-07-27 | 2017-12-08 | 福建工程学院 | 一种道路拥堵实时检测的方法 |
CN107248282B (zh) * | 2017-06-29 | 2021-07-02 | 浩鲸云计算科技股份有限公司 | 获取道路运行状态等级的方法 |
CN108806257B (zh) * | 2018-07-04 | 2020-11-10 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN109841060A (zh) * | 2019-01-23 | 2019-06-04 | 桂林电子科技大学 | 一种基于线性回归的道路拥堵判断装置及判断方法 |
CN109712402B (zh) * | 2019-02-12 | 2021-11-12 | 南京邮电大学 | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 |
CN110555996B (zh) * | 2019-10-15 | 2020-12-15 | 中国城市规划设计研究院 | 一种公交运营分析系统 |
CN113189300B (zh) * | 2021-03-16 | 2023-07-07 | 漳州职业技术学院 | 一种软基路段状态检测的方法与终端 |
CN113256967B (zh) * | 2021-04-25 | 2023-05-16 | 广州方纬智慧大脑研究开发有限公司 | 基于卡口数据的道路交通事件检测方法、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604478A (zh) * | 2009-06-18 | 2009-12-16 | 北京九州联宇信息技术有限公司 | 一种动态交通信息的处理方法及系统 |
CN102024325A (zh) * | 2010-12-23 | 2011-04-20 | 福建工程学院 | 基于浮动车技术的交通堵塞点识别方法 |
CN102411677A (zh) * | 2011-11-29 | 2012-04-11 | 福建工程学院 | 一种基于浮动车数据采集的预处理方法 |
CN102568208A (zh) * | 2012-02-07 | 2012-07-11 | 福建工程学院 | 基于浮动车技术的路段限速信息识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4035814B2 (ja) * | 2002-05-21 | 2008-01-23 | アイシン・エィ・ダブリュ株式会社 | 移動体集合位置提示システム |
-
2013
- 2013-04-08 CN CN201310118803.2A patent/CN103226892B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604478A (zh) * | 2009-06-18 | 2009-12-16 | 北京九州联宇信息技术有限公司 | 一种动态交通信息的处理方法及系统 |
CN102024325A (zh) * | 2010-12-23 | 2011-04-20 | 福建工程学院 | 基于浮动车技术的交通堵塞点识别方法 |
CN102411677A (zh) * | 2011-11-29 | 2012-04-11 | 福建工程学院 | 一种基于浮动车数据采集的预处理方法 |
CN102568208A (zh) * | 2012-02-07 | 2012-07-11 | 福建工程学院 | 基于浮动车技术的路段限速信息识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103226892A (zh) | 2013-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103226892B (zh) | 一种优化型的道路拥塞状态发现方法 | |
CN102024325B (zh) | 基于浮动车技术的交通堵塞点识别方法 | |
CN103646560B (zh) | 出租车行车轨迹经验知识路径的提取方法 | |
CN103413437B (zh) | 一种基于车辆数据采集的道路交叉口转向识别方法及系统 | |
US10120381B2 (en) | Identifying significant locations based on vehicle probe data | |
CN103337189B (zh) | 一种基于路段动态划分的车辆路径诱导方法 | |
US10373494B1 (en) | Method and apparatus for estimating a parking event based on device signal observations | |
EP3410348A1 (en) | Method and apparatus for building a parking occupancy model | |
CN101989381B (zh) | 基于浮动车技术的道路单向限行与通行状态识别方法 | |
CN104331422A (zh) | 一种路段类型推测方法 | |
CN103177562B (zh) | 一种获取交通状态预测所需信息的方法及装置 | |
EP3640913A1 (en) | Method, apparatus, and system for automatic road closure detection | |
CN103778784B (zh) | 基于手机数据实时获取高速公路路段交通状态信息的方法 | |
CN103198104A (zh) | 一种基于城市智能公交系统的公交站点od获取方法 | |
CN101957208B (zh) | 一种基于浮动车技术的新增道路发现方法 | |
CN103544834B (zh) | 一种基于gps轨迹的出租车寻客策略选优方法 | |
EP3671689A1 (en) | Method and apparatus for dynamic speed aggregation of probe data for high-occupancy vehicle lanes | |
CN104575050A (zh) | 一种基于浮动车的快速路匝道智能诱导方法及装置 | |
CN103680130B (zh) | 一种基于浮动车技术获得区域带路专家的方法 | |
CN104537209A (zh) | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 | |
CN104317583A (zh) | 基于网格原理的道路拥堵优化算法 | |
CN102956105B (zh) | 一种浮动车样本点数据插值的方法 | |
CN104613974A (zh) | 导航时间获取方法、系统、导航方法和装置 | |
CN104298832A (zh) | 一种基于rfid技术的路网交通流分析方法 | |
CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20130731 Assignee: Xiamen Hainuoda Scientific Instrument Co.,Ltd. Assignor: Fujian University of Technology Contract record no.: 2017350000008 Denomination of invention: Optimized road congestion state discovery method Granted publication date: 20160203 License type: Common License Record date: 20170331 |
|
EE01 | Entry into force of recordation of patent licensing contract | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160203 |