CN103440764B - 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 - Google Patents

一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 Download PDF

Info

Publication number
CN103440764B
CN103440764B CN201310360322.2A CN201310360322A CN103440764B CN 103440764 B CN103440764 B CN 103440764B CN 201310360322 A CN201310360322 A CN 201310360322A CN 103440764 B CN103440764 B CN 103440764B
Authority
CN
China
Prior art keywords
path
vehicle
represent
upgrade
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.)
Active
Application number
CN201310360322.2A
Other languages
English (en)
Other versions
CN103440764A (zh
Inventor
孙剑
冯羽
李克平
杨剑浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201310360322.2A priority Critical patent/CN103440764B/zh
Publication of CN103440764A publication Critical patent/CN103440764A/zh
Application granted granted Critical
Publication of CN103440764B publication Critical patent/CN103440764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明属于交通规划与管理领域，具体涉及一种基于车辆自动识别数据的城市路网车辆出行路径重构方法。该方法输入信息以AVI检测数据为主，结合传统流量检测设施所采集的数据。首先以图论中深度优先遍历搜索理论生成所有车辆初始可能路径集；然后利用粒子滤波理论，通过车辆出行的路径一致性、行程时间一致性、AVI可测性、重力-流量模型和路段-路径流量匹配模型五大时空修正因子的连续重要性采样更新车辆可能路径概率；最后根据重采样得到的后验概率函数曲线来推测车辆的“真实”路径。该方法可在AVI覆盖率较低的条件下仍能估计出很高精度的车辆完整出行路径，且该方法不依赖于车辆出行历史信息。

Description

一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
技术领域
本发明属于交通规划与管理领域，具体涉及一种基于车辆自动识别数据的城市路网车辆出行路径重构方法。
背景技术
车辆出行路径是交通网络规划和运行管理的核心基础数据，其精度直接影响城市动态交通管理、精细化交通分析的准确性和有效性。因此，科学地采集交通流运行参数、最佳地利用交通采集信息，对提高交通设施的使用效率和服务能力是至关重要的。
近年来，交通系统信息采集已呈现从以感应线圈为代表的“断面型”检测、以浮动车为代表的“移动型”检测快速向以视频车牌自动识别为代表的“广域”车辆自动识别（Automatic Vehicle Identification，AVI）检测转变的趋势。AVI技术包括视频牌照自动识别技术、路侧信标与车辆通信识别技术等，其核心是可检测车辆ID、通过时间以及车辆位置等信息，这使得获得传统的检测设备无法获取的单个车辆路径成为可能。与国外相比，AVI技术特别是视频牌照自动识别技术在我国得到了迅猛的发展，北京、上海等城市已大规模推广实施，深圳、杭州等城市也在迅速跟进。在AVI数据利用方面，目前大部分工作都是利用AVI获取路段行程时间信息，或者是利用AVI检测的路段流量和行程时间信息进行OD估计，还未有利用AVI信息进行个体车辆路径重构的方法和技术。
另一方面,虽然视频牌照检测技术日益成熟，目前主流视频牌照检测器的检测精度，在良好光照条件下可达到90%，但这样的精度仅能满足路段行程时间检测需求。对于大规模路网，随着路段数的增加，能正确进行牌照匹配的车辆样本将急剧减少（如十个路段的路网，其匹配样本数仅占总样本数的0.910=0.35）；同时，对于大规模路网，由于技术或经济的原因，视频车牌识别装置不是在任意需要的地方都能布设的。综上，车辆路径重构面临的现实关键问题为在AVI识别率下降、且只能在有限的地点布设AVI装置条件下，如何在较大规模路网环境下获取高精度的车辆路径信息。
车辆出行路径重构对研究交通流成因，城市OD结构，驾驶员交通路径选择行为等理论研究具有重要价值。此外，车辆出行路径还将在城市动态交通管理、精细化交通分析、重大政策评估及管理（公车管理、车辆单双号限行、拥挤收费等）以及公共安全管理（车辆跟踪、VIP安全保卫等）等领域发挥巨大作用。
发明内容
本发明的目的在于针对AVI车辆部分路径信息未充分利用的问题，提出了一种新的基于车辆自动识别数据的城市路网车辆出行路径重构方法。
本方法具有以下三个特点：一、提出了以粒子滤波中重采样思想为基础的车辆出行路径重构理论；二、提出实际影响车辆出行路径的五大时空修正因子，大幅度提高车辆出行路径重构的准确度；三、在AVI覆盖率有限的条件下，实现较大规模路网车辆完整出行路径的高精度获取。
为达到以上目标，本发明提出的基于车辆自动识别数据的城市路网车辆出行路径重构方法。本发明考虑AVI覆盖率有限的情况，基于粒子滤波理论，结合车辆路径轨迹中相关的五大时空修正因子，更新逼近任意车辆真实的空间状态概率曲线。具体步骤如下：
（1）创建初始粒子群
建立初始粒子群，令其有x1，x2，……，xN个初始粒子， 表示为初始粒子群中所有初始粒子的先验概率，每个初始粒子代表一个车辆的可能出行路径；
在无历史信息条件下，所有初始粒子的初始概率定义为1/N；N代表初始粒子的数目；确定交通网络小区后，采用优化的深度优先搜索方法，获得各小区之间所有可能路径；
（2）重要性采样
For i=1,2，……，N；
假设所有初始粒子的初始概率分布服从上一轮重要性采样后的密度函数；基于车辆路径轨迹的五大时空修正因子，共有五次重要性采样,分别为路径一致性采样、行程时间一致性采样、可测性判据采样、重力-流量模型采样和路段-路径流量匹配模型采样；
（2.1）通过路径一致性修正因子将车辆部分路径与有效可能路径集中的路径进行拓扑结构匹配，进行第一次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.2）通过行程时间一致性修正因子分析两个AVI之间所有可能路段的平均行程时间与车辆在两个AVI之间的真实行程时间的相似性，进行第二次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.3）通过可测性判据修正因子减少检测器检测误差影响，进行第三次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.4）通过重力-流量模型修正因子反映车辆在路径选择过程中对距离较远及检测流量较小的出入口引力较小的客观事实；据此进行第四次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.5）通过路段-路径流量匹配模型修正因子反映车辆实际走行流量大的路段可能性较大的事实；据此进行第五次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚。
（3）“真实”路径的输出
计算所有路网可能路径的最终概率，并归一化得到后验概率函数曲线，推测单个车辆的完整出行路径；其余路径不完整的车辆数据均可通过上述方法进行路径重构，进而获得路网所有车辆的真实出行路径；
根据粒子滤波理论，所有可能路径的后验概率表示为如式(1)所示。
(1)
: 表示从t时刻开始至计算时间区间∆t之间所采集的客观数据或经验判据；
：表示狄拉克δ函数,即单位脉冲函数；
N：表示初始粒子数目；
: 表示可能路径集求解的后验概率密度函数。直接获得的期望函数可表示为如下形式：
(2)
: 表示为的积分形式。
本发明中，初始粒子群的创建和车辆出行路径五大时空修正因子的重要性采样具体如下：
（1）创建初始粒子群
本发明以图论中深度优先遍历搜索理论创建所有车辆初始可能路径集。通过计算，路网中有效的可能路径集可以完全获取并作为初始粒子群。
（2.1）第一次重要性采样：路径一致性修正
初始粒子权重服从均匀分布，可以表示为。以来表示粒子服从路径一致性更新概率密度函数。假设粒子群后验概率分布服从。其中路径一致性概率密度函数主要根据车辆轨迹的拓扑一致性来分析，即服从0-1分布。基于路径一致性粒子权重更新如式(3)所示。
(3)
: 表示第i条可能路径经过路径一致性更新后非归一化权重；
: 表示第i条可能路径的初始先验权重；
: 表示从t时刻开始至计算时间区间∆t之间所采集的客观数据或经验判据。
t: 表示开始获取该部分路径集的时刻；
∆t ：表示动态值，取决于需要获取多长时段内的车辆完整路径；
: 表示车辆选择可能路径i的粒子空间状态；
: 表示初始可能路径为i的粒子；
: 表示基于路径一致性选择可能路径i的概率；
: 表示从先验信息向路径一致性的转移概率；
：表示在路径一致性条件下，可能路径i为选择路径的先验的概率密度函数。
接着对所有的N个可能路径粒子根据更新权重进行粒子集聚计算，如式(4)所示。
(4)
: 表示第i条可能路径经过路径一致性更新后非归一化权重；
N：表示初始粒子数目；
N1 (i): 表示经过路径一致性更新后，可能路径i的粒子集聚数量。
根据车辆部分路径必然从属于可能路径集中其走行的真实路径这一客观事实，对车辆部分路径与完整可能路径集中的路径进行拓扑结构的匹配。匹配集中于以下两点：1、部分路径出现的节点必须出现在完整的可能路径中；2、部分路径中的节点的出现顺序要与完整路径中节点出现的顺序一致。基于路径一致性选择可能路径i的概率如式(5)所示。
(5)
id： 表示部分路径的车辆编号；
path：表示完整路径的编号；
：表示部分路径的拓扑结构中节点集合；
：表示完整路径的拓扑结构中节点集合。
（2.2）第二次重要性采样：行程时间一致性修正
根据车辆在两个AVI之间存在多条路径的情况下，车辆会走行与其真实行程时间相近的路径这一客观事实，比较两个AVI之间所有可能路段的平均行程时间与车辆在两个AVI之间的真实行程时间的相似性。考虑到交通系统在短时间内交通状况比较稳定，道路行程时间变化不大，可根据平均点速度计算路段平均行程时间。基于行程时间一致性选择可能路径i的概率如式(6)所示
(6)
：估计时段内路段的车辆平均行程时间；
：实际行程时间；
：表示被测车辆两个连续AVI之间第i条可能路径的平均行程时间；
：表示被测车辆两个连续AVI之间的真实行程时间。
（2.3）第三次重要性采样：可测性判据修正
根据检测器检测误差造成的事实进行逆向推理，减少检测器误差对车辆出行路径重构的影响。检测器未检测到目标车辆具体可以分为两种情况。第一种情况是车辆路过检测器所在的路段，但由于检测误差的原因未能检测到车辆；第二种情况是车辆选择了未安装检测器所在的路段，因而检测器未能检测到车辆。
（2.4）第四次重要性采样：重力-流量模型修正
参考物理学经典重力模型原理，考虑车辆在路径选择过程中客观存在对距离较远和检测流量较小的出入口引力较小，反之则较大的特征。根据这一客观现象，对车辆部分路径与完整可能路径集中的路径进行路阻和流量影响的匹配。基于重力-流量模型选择可能路径i的概率如式(7)所示。
(7)
：表示基于流量的引力值；
：表示路网中出口或入口的检测交通流量值；
：表示单位车辆值；
：表示路阻函数。
（2.5）第五次重要性采样：路段-路径流量匹配模型
车辆群的路径选择往往能在宏观数据中获得体现，流量大的路段往往反映出车辆实际走行该路段的可能性较大，流量小的路段往往反映出车辆走行该路段的可能性较小。根据路段-路径流量之间客观存在的交通分配事实，对车辆部分路径与完整可能路径集中的路径进行匹配。基于路段-路径流量匹配模型可能路径i的概率如式(8)所示。
(8)
N：表示初始粒子数目；
：表示可能路径i中节点n1与节点n2构成的路段的检测流量。
本发明针对AVI车辆部分路径数据未充分利用的问题，在无历史信息的条件下，利用检测到的车辆部分路径信息，结合车辆路径选择在时空两个层面的特征参数，通过五组可靠的重采样计算过程获取真实的车辆完整出行路径，进一步可推出车辆出行OD矩阵、车辆路径选择行为等附加信息。该方法不仅能适应任何开放性路网，而且能在较低AVI覆盖率和无任何先验信息条件下获得高精度的车辆完整出行路径。本方法在个体车辆路径重构上具有很强的精度和可靠性，可以满足公共安全管理和重大政策评估的需求。
附图说明
图1为本发明提出的车辆出行路径重构方法流程图。
图2 为本发明实施例1采用的较大规模路网图。
图3为本发明实施例1在封闭式路网中不同AVI覆盖率条件下车辆出行路径重构准确度。
图4为本发明实施例1在开放式路网中不同AVI覆盖率条件下车辆出行路径重构准确度。
具体实施方式
下面结合附图2对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：本车辆出行路径重构方法用于图2所示的某较大规模路网。该路网中包含127个节点，151条路段，并设置交通小区42个。在道路断面布设AVI视频检测器，在主要交叉口布设线圈检测器。所要求获得输入信息：识别后的车辆牌照信息，车辆到达时刻，AVI检测器编号，线圈检测点流量和平均车速。
在获取上述输入信息后，以车辆A的完整出行路径重构为例，已知车辆A的部分路径，步骤如下：
（1）通过优化的深度优先遍历搜索理论获得路网所有车辆有效可能路径集，并将其作为初始粒子群；
（2）通过路径一致性修正因子将车辆A部分路径与有效可能路径集中的路径进行拓扑结构匹配，进行第一次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（3）通过行程时间一致修正因子分析两个AVI之间所有可能路段的平均行程时间与车辆A在两个AVI之间的真实行程时间的相似性，进行第二次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（4）通过可测性判据修正因子减少检测器检测误差影响，进行第三次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（5）通过重力-流量模型修正因子反映车辆A在路径选择过程中对距离较远及检测流量较小的出入口引力较小的客观事实；据此进行第四次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（6）通过路段-路径流量匹配模型修正因子反映车辆A实际走行流量大的路段可能性较大的事实；据此进行第五次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（7）计算所有路网可能路径的最终概率，并归一化得到后验概率函数曲线，推测车辆A的完整出行路径；其余路径不完整的车辆数据均可通过上述方法进行路径重构，进而获得路网所有车辆的真实出行路径。
其中图3表示的是封闭式路网中不同AVI覆盖率条件下车辆出行路径重构准确度，图4表示的是开放式路网不同AVI覆盖率条件下车辆出行路径重构准确度。在50%-90%的AVI覆盖率条件下，车辆出行路径重构算法稳定性高，车辆出行路径的重构准确度均大于90%，性能良好。在40%的AVI覆盖率条件下，车辆出行路径的重构准确度降低趋势加快。

Claims (2)

1.一种基于车辆自动识别数据的城市路网车辆出行路径重构方法，其特征在于具体步骤如下：
（1）创建初始粒子群
建立初始粒子群，令其有x1，x2，……，xN个初始粒子， 表示为初始粒子群中所有初始粒子的先验概率，每个初始粒子代表一个车辆的可能出行路径；
在无历史信息条件下，所有初始粒子的初始概率定义为1/N；N代表初始粒子的数目；确定交通网络小区后，采用优化的深度优先搜索方法，获得各小区之间所有可能路径；
（2）重要性采样
对所有N个初始粒子中的每一个粒子i，i=1,2，……，N；
假设所有完整粒子的概率分布服从上一轮重要性采样后的密度函数;基于车辆路径轨迹的五大时空修正因子，共有五次重要性采样,分别为路径一致性采样、行程时间一致性采样、可测性判据采样、重力-流量模型采样和路段-路径流量匹配模型采样；
（2.1）通过路径一致性修正因子将车辆部分路径与有效可能路径集中的路径进行拓扑结构匹配，进行第一次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.2）通过行程时间一致性修正因子分析两个车辆自动识别AVI之间所有可能路段的平均行程时间与车辆在两个车辆自动识别AVI之间的真实行程时间的相似性，进行第二次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.3）通过可测性判据修正因子减少检测器检测误差影响，进行第三次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.4）通过重力-流量模型修正因子反映车辆在路径选择过程中对距离较远及检测流量较小的出入口引力较小的客观事实；据此进行第四次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（2.5）通过路段-路径流量匹配模型修正因子反映车辆实际走行流量大的路段可能性较大的事实；据此进行第五次重要性采样更新粒子权重；然后根据不同路径权重更新，更新粒子集聚；
（3）“真实”路径的输出
计算所有路网可能路径的最终概率，并归一化得到后验概率函数曲线，推测单个车辆的完整出行路径；其余路径不完整的车辆数据均可通过车辆出行路径重构方法进行路径重构，进而获得路网所有车辆的真实出行路径。
2.根据权利要求1所述的基于车辆自动识别数据的城市路网车辆出行路径重构方法，其特征在于步骤(2)中所述五次重要性采样，具体为：
（2.1）第一次重要性采样：路径一致性修正
初始粒子权重服从均匀分布，可以表示为；
以来表示粒子服从路径一致性更新概率密度函数；
假设粒子群后验概率分布服从；
其中路径一致性概率密度函数主要根据车辆轨迹的拓扑一致性来分析，即服从0-1分布；基于路径一致性粒子权重更新如式(1)所示；
(1)
: 表示第i条可能路径经过路径一致性更新后非归一化权重；
: 表示第i条可能路径的初始先验权重；
: 表示从t时刻开始至计算时间区间∆t之间所采集的客观数据或经验判据；
t: 表示开始获取该部分路径集的时刻；
∆t ：表示动态值，取决于需要获取多长时段内的车辆完整路径；
: 表示车辆选择可能路径i的粒子空间状态；
: 表示初始可能路径为i的粒子；
: 表示基于路径一致性选择可能路径i的概率；
: 表示从先验信息向路径一致性的转移概率；
：表示在路径一致性条件下，可能路径i为选择路径的先验的概率密度函数；
接着对所有的N个可能路径粒子根据更新权重进行粒子集聚计算，如式(2)所示；
(2)
: 表示第i条可能路径经过路径一致性更新后非归一化权重；
N1 (i): 表示经过路径一致性更新后，可能路径i的粒子集聚数量；
根据车辆部分路径必然从属于可能路径集中其走行的真实路径这一客观事实，对车辆部分路径与完整可能路径集中的路径进行拓扑结构的匹配；
匹配集中于以下两点：(1)、部分路径出现的节点必须出现在完整的可能路径中；(2)、部分路径中的节点的出现顺序要与完整路径中节点出现的顺序一致；基于路径一致性选择可能路径i的概率如式(3)所示；
(3)
id： 表示部分路径的车辆编号；
path：表示完整路径的编号；
：表示部分路径的拓扑结构中节点集合；
：表示完整路径的拓扑结构中节点集合；
（2.2）第二次重要性采样：行程时间一致性修正
根据车辆在两个AVI之间存在多条路径的情况下，车辆会走行与其真实行程时间相近的路径这一客观事实，比较两个AVI之间所有可能路段的平均行程时间与车辆在两个AVI之间的真实行程时间的相似性；考虑到交通系统在短时间内交通状况比较稳定，道路行程时间变化不大，可根据平均点速度计算路段平均行程时间；基于行程时间一致性选择可能路径i的概率如式(4)所示
(4)
：估计时段内路段的车辆平均行程时间；
：实际行程时间；
：表示被测车辆两个连续AVI之间第i条可能路径的平均行程时间；
：表示被测车辆两个连续AVI之间的真实行程时间；
（2.3）第三次重要性采样：可测性判据修正
根据检测器检测误差造成的事实进行逆向推理，减少检测器误差对车辆出行路径重构的影响；
检测器未检测到目标车辆具体可以分为两种情况：
第一种情况是车辆路过检测器所在的路段，但由于检测误差的原因未能检测到车辆；第二种情况是车辆选择了未安装检测器所在的路段，因而检测器未能检测到车辆；
（2.4）第四次重要性采样：重力-流量模型修正
参考物理学经典重力模型原理，考虑车辆在路径选择过程中客观存在对距离较远和检测流量较小的出入口引力较小，反之则较大的特征；
根据这一客观现象，对车辆部分路径与完整可能路径集中的路径进行路阻和流量影响的匹配；基于重力-流量模型选择可能路径i的概率如式(5)所示，
(5)
：表示基于流量的引力值；
：表示路网中出口或入口的检测交通流量值；
：表示单位车辆值；
：表示路阻函数；
（2.5）第五次重要性采样：路段-路径流量匹配模型
车辆群的路径选择往往能在宏观数据中获得体现，流量大的路段往往反映出车辆实际走行该路段的可能性较大，流量小的路段往往反映出车辆走行该路段的可能性较小；根据路段-路径流量之间客观存在的交通分配事实，对车辆部分路径与完整可能路径集中的路径进行匹配；基于路段-路径流量匹配模型，可能路径i的概率如式(6)所示，
(6)
：表示可能路径i中节点n1与节点n2构成的路段的检测流量。
CN201310360322.2A 2013-08-19 2013-08-19 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 Active CN103440764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310360322.2A CN103440764B (zh) 2013-08-19 2013-08-19 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310360322.2A CN103440764B (zh) 2013-08-19 2013-08-19 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法

Publications (2)

Publication Number Publication Date
CN103440764A CN103440764A (zh) 2013-12-11
CN103440764B true CN103440764B (zh) 2015-10-28

Family

ID=49694457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310360322.2A Active CN103440764B (zh) 2013-08-19 2013-08-19 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法

Country Status (1)

Country Link
CN (1) CN103440764B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157293A (zh) * 2015-04-24 2016-11-23 无锡北邮感知技术产业研究院有限公司 一种基于遮挡特征学习的深度次序推理方法
CN104915731B (zh) * 2015-06-11 2018-04-27 同济大学 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合方法
CN104933490B (zh) * 2015-07-03 2018-09-07 浙江大学 一种考虑社会车辆的土石坝工程的土石方调配优化方法
CN106340038B (zh) * 2015-07-07 2018-12-18 北京雷动云合智能技术有限公司 一种基于单目图像中物体的深度次序推理方法
CN107132504B (zh) * 2016-02-29 2020-12-22 富士通株式会社 基于粒子滤波的定位追踪装置、方法及电子设备
CN105788252B (zh) * 2016-03-22 2018-05-01 连云港杰瑞电子有限公司 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法
CN106023589B (zh) * 2016-06-16 2018-04-10 北京航空航天大学 一种基于卡口数据的车辆轨迹重构方法
CN106289293B (zh) * 2016-08-11 2019-02-15 浪潮电子信息产业股份有限公司 一种基于智能学习算法的城市内容定位导航系统
CN107067723B (zh) * 2017-04-26 2019-07-09 中山大学 一种城市道路路段旅行时间的估计方法
CN107038862B (zh) * 2017-05-04 2020-02-14 东南大学 一种尾号限行条件下的交通分配修正方法
CN107393301B (zh) * 2017-07-25 2019-09-27 重庆市市政设计研究院 一种基于rfid数据的车辆轨迹识别方法
CN110322054B (zh) * 2019-06-14 2023-04-28 中交第一公路勘察设计研究院有限公司 一种公路路段交通监测器的优化布设方法
CN110222907B (zh) * 2019-06-18 2021-10-08 国网河北省电力有限公司经济技术研究院 电动汽车充电站规划方法及终端设备
JP7372058B2 (ja) * 2019-06-24 2023-10-31 株式会社日立製作所 交通流予測支援装置、交通流予測支援方法、及び交通流予測支援プログラム
CN110276950B (zh) * 2019-06-24 2021-12-31 华南理工大学 一种基于卡口视频数据的城市交通出行链重构方法
CN110491157B (zh) * 2019-07-23 2022-01-25 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
CN111199646B (zh) * 2020-01-10 2021-07-06 北京航空航天大学 一种基于稀疏探测数据的城市信号控制干道车辆轨迹重构方法
CN111915903B (zh) * 2020-06-04 2022-08-09 东南大学 一种基于多源数据的快速路od矩阵获取方法
CN112201041B (zh) * 2020-09-29 2022-02-18 同济大学 融合电警数据和抽样轨迹数据的干道路径流量估计方法
CN113420488B (zh) * 2021-05-18 2024-03-08 东南大学 一种基于轨迹重构的城市路网od估计方法
CN113724489B (zh) * 2021-07-22 2022-07-01 东南大学 基于多源数据的交通拥堵溯源方法
CN115798198B (zh) * 2022-11-03 2024-04-05 公安部交通管理科学研究所 一种基于数据融合的城市路网行程时间分布估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10359037A1 (de) * 2003-12-10 2005-07-28 Technische Universität Dresden Verfahren zur Modellierung von Verkehrsabläufen
CN101308605A (zh) * 2008-05-23 2008-11-19 陈汇鑫 一种通过车辆信息识别实现交通动态管理的方法
CN101567126A (zh) * 2009-05-31 2009-10-28 上海宝康电子控制工程有限公司 城市道路交通信息检测与发布系统
CN101751777A (zh) * 2008-12-02 2010-06-23 同济大学 基于空间聚类分析的城市路网交通小区动态划分方法
CN102289932A (zh) * 2011-06-17 2011-12-21 同济大学 基于车辆自动识别设备的动态od矩阵估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10359037A1 (de) * 2003-12-10 2005-07-28 Technische Universität Dresden Verfahren zur Modellierung von Verkehrsabläufen
CN101308605A (zh) * 2008-05-23 2008-11-19 陈汇鑫 一种通过车辆信息识别实现交通动态管理的方法
CN101751777A (zh) * 2008-12-02 2010-06-23 同济大学 基于空间聚类分析的城市路网交通小区动态划分方法
CN101567126A (zh) * 2009-05-31 2009-10-28 上海宝康电子控制工程有限公司 城市道路交通信息检测与发布系统
CN102289932A (zh) * 2011-06-17 2011-12-21 同济大学 基于车辆自动识别设备的动态od矩阵估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
路径行程时间的组合预测方法研究;张硕等;《交通信息与安全》;20101231;第28卷(第4期);13-17 *

Also Published As

Publication number Publication date
CN103440764A (zh) 2013-12-11

Similar Documents

Publication Publication Date Title
CN103440764B (zh) 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
CN105513359B (zh) 一种基于智能手机移动检测的城市快速路交通状态估计方法
CN104484994B (zh) 基于阵列雷达的城市路网交通运行指数评价方法
CN102855760B (zh) 基于浮动车数据的在线排队长度检测方法
CN103093625B (zh) 一种基于可信度验证的城市道路交通状态实时估计方法
CN105825669A (zh) 一种识别城市快速路交通瓶颈的系统和方法
CN101286269A (zh) 兼有动态实时交通数据的交通流量预测系统
CN101286270A (zh) 兼有动态实时交通数据的交通流量预测方法
CN101739822B (zh) 区域交通状态获取的传感器网络配置方法
CN104715610A (zh) 一种面向城市交通的交通指数计算方法
CN110288212A (zh) 基于改进的mopso的电动出租车新建充电站选址方法
CN104166895A (zh) 公共自行车调度区域划分方法
CN102663890B (zh) 利用浮动车数据确定禁左交限路口的方法
CN102930718A (zh) 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法
CN106327864A (zh) 一种基于高速公路联网收费数据的交通流估计方法
CN105427592B (zh) 基于浮动车的导航电子地图转向代价计算方法
CN104915731B (zh) 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合方法
Zhao et al. A new method of road network updating based on floating car data
CN105489010B (zh) 一种快速道路行程时间可靠度监测分析系统及方法
George et al. Area occupancy-based adaptive density estimation for mixed road traffic
CN109035772A (zh) 基于收费数据的高速公路交通运行态势识别方法和装置
CN103258236B (zh) 一种基于场景的城市轨道交通网络大客流分配方法
CN105046958A (zh) 一种高速公路交通信息采集点非等距优化布局方法
CN205247622U (zh) 一种车辆排队长度监测系统
CN102750827B (zh) 群体诱导信息下驾驶员响应行为的数据采样和辨识系统

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