CN103745106A - 一种短时交通流预测方法 - Google Patents
一种短时交通流预测方法 Download PDFInfo
- Publication number
- CN103745106A CN103745106A CN201410011384.7A CN201410011384A CN103745106A CN 103745106 A CN103745106 A CN 103745106A CN 201410011384 A CN201410011384 A CN 201410011384A CN 103745106 A CN103745106 A CN 103745106A
- Authority
- CN
- China
- Prior art keywords
- traffic
- state
- flow
- forecasting
- traffic behavior
- 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
Abstract
本发明涉及智能交通预测领域，尤其涉及一种短时交通流预测方法，包括以下步骤：1）采集历史记录的流量及速度数据，根据流量与速度形成的组合预设交通状态；2）构建预测模型；3）输入实际预测交通状态对应的两个历史时刻x(t-1)和x(t)的交通状态，调用预测模型进行预测，输出预测状态；4）记录实际状态，计算预测状态与实际状态间的误差，将误差结果记录保存。本发明的有益效果在于：1、计算复杂度非常低；2、实时反应路况变化，而且，算法只考虑距未来时刻最近的10分钟历史数据，实时性好；3、5分钟的预测时长满足传输和处理延时，适用于交通诱导屏的实时显示；4、预测模型构建简单、迅速，适用于各种复杂程度的交通路况，预测精度高。
Description
技术领域
本发明涉及智能交通预测领域，尤其涉及一种短时交通流预测方法。
背景技术
随着城市化的发展和汽车的日益普及，交通环境恶化，交通拥挤加剧，交通事故频发。交通问题无论在发达国家，还是在发展中国家都是严重的社会问题。美国每年因交通问题导致的损失达2370亿美元，我国百万人以上的大城市每年由于交通拥塞给社会带来的直接经济损失约折合人民币1600亿元，相当于国内生产总值的3.2%。众所周知，解决交通拥挤最行之有效的方法就是提高路网的通行能力。但是，可供修建的空间是有限的，建设资金筹备也是一个极大的问题。此外，由于交通系统是一个相当复杂的大系统，单独从车辆方面考虑或单独从道路方面考虑，都很难从根本上解决问题。为了提高运输网络的使用效率，解决交通拥挤和交通安全问题，世界各国纷纷开展了智能交通系统的研究工作。
智能交通系统对交通流进行控制和诱导的前提及关键是准确的短时交通流预测，因此短时交通流预测成为当前的研究热门。传统上的交通流预测，选取时间尺度较大（例如日、月、年交通量），一般应用于交通规划方案的确定。智能交通系统中的信息提供和交通控制以及交通流诱导技术中的实时动态交通分配都需要对未来短时期内的路网状态进行准确的估计，这要求选取时间间隔较小的交通流（如半小时、15分钟、5分钟等）。其主要内容为依据道路交通信息，采用适当的方法去滚动预测未来不超过15分钟的交通状况，为出行者提供最佳行驶路线，从而为均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据，对于缓解交通堵塞、避免社会资源的浪费有着重要的意义和应用价值。
目前，在交通流量的预测方面，一些预测方法能较好地用于中、长期交通流的预测，而对短时交通流的预测效果并不是很好，精度不高，这些方法主要有：统计的方法、非线性的方法、神经网络的方法和新兴技术的预测方法。因此，本发明就以预测短时交通流为目标，设计了用于短时交通流状态的预测算法，大大地提高了预测的准确率。
发明内容
本发明为克服上述的不足之处，目的在于提供一种短时交通流预测方法，通过预测5分钟交通流的状态，以便于实时动态交通分配来实现交通诱导从而可以改善交通条件、降低交通事故发生率、减少尾气污染和提高交通管理水平。
本发明是通过以下技术方案达到上述目的：一种短时交通流预测方法，包括以下步骤：
1）采集历史记录的流量及速度数据，根据流量与速度形成的组合预设交通状态；
2）构建预测模型：
2.1）对历史数据进行筛选提取出用作构建模型的历史数据，利用分类模块对历史数据进行交通状态分类；
2.2）以两个历史时刻x(t-1)和x(t)的交通状态组合作为输入，历史状态的下一时刻x(t+1)的交通状态作为输出，构建一个历史交通状态组合{x(t-1),x(t)}与下一时刻交通状态x(t+1)间的转换矩阵；
2.3）转换矩阵求每一输入状态组合可能性最大的输出，得到预测模型；
3）输入实际预测交通状态对应的两个历史时刻x(t-1)和x(t)的交通状态，调用预测模型进行预测，输出预测状态；
4）记录实际状态，计算预测状态与实际状态间的误差，将误差结果记录保存。
作为优选，所述交通状态有6种，包括：状态1：表示流量低、速度中；状态2：表示流量低、速度高；状态3：表示流量高、速度高；状态4：表示流量高、速度中；状态5：表示流量高、速度低；状态6：表示流量低、速度低。
作为优选，所述两个历史时刻x(t-1)和x(t)的交通状态组合有36种，x(t+1)的交通状态有6种，转换矩阵的维数为36*6。
作为优选，本发明通过历史时刻{x(t-1)与x(t)}组合10分钟的交通状态预测未来x(t+1)=5分钟的交通状态。
本发明的有益效果在于：1、本发明只对流量与速度两个量进行分析计算即可得到交通状态，计算复杂度非常低；2、算法在建立预测模型时，都是由前两个历史状态即过去的10分钟来预测下一时刻5分钟的状态，并且新的预测状态将继续根据实际交通状况进行预测，实时反应路况变化，而且，算法只考虑距未来时刻最近的10分钟历史数据，实时性好；3、5分钟的预测时长满足传输和处理延时，适用于交通诱导屏的实时显示；4、通过累积的误差值计算能够为预测模型的完善提供数据支持，预测模型构建简单、迅速，适用于各种复杂程度的交通路况，预测精度高达80%以上。
附图说明
图1是本发明一种短时交通流预测方法的步骤流程图；
图2是本发明构建预测模型的流程图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例1：如图1所示，本发明提供了一种短时交通流预测方法，包括以下步骤：
1）采集历史记录的流量及速度数据，根据流量与速度形成的组合预设交通状态；
2）构建预测模型，如图2所示：
2.1）对历史数据进行筛选提取出用作构建模型的历史数据，利用分类模块对历史数据进行交通状态分类；
2.2）以两个历史时刻x(t-1)和x(t)的交通状态组合作为输入，历史状态的下一时刻x(t+1)的交通状态作为输出，构建一个历史交通状态组合{x(t-1),x(t)}与下一时刻交通状态x(t+1)间的转换矩阵；
2.3）转换矩阵求每一输入状态组合可能性最大的输出，得到预测模型；
3）输入实际预测交通状态对应的两个历史时刻x(t-1)和x(t)的交通状态，调用预测模型进行预测，输出预测状态；
4）记录实际状态，计算预测状态与实际状态间的误差，将误差结果记录保存。
以下结合具体实例数据对上述方法进行说明。
本实施例的预测时长为5分钟，5分钟的预测时长既满足一般的数据传输和处理延时，同时在实际的行驶中也能满足需求：也就是说，如果以40公里/小时的速度来计算，假设传输与处理的延时为2分钟，那么交通诱导屏可以设置在所预测路段约2公里之前。这样的路程是足够出行者做出合理的选择，大大提高了诱导屏的实用价值。x(t+1)表示预测下一时刻5分钟的交通状态，x(t)表示当前时刻的交通状态，x(t-1)表示前一时刻的交通状态。
分类模块通过对历史记录的流量及速度数据进行分析，采用统计学的方法将流量与速度形成的组合分为六类交通状态：
状态1：表示流量低、速度中；
状态2：表示流量低、速度高；
状态3：表示流量高、速度高；
状态4：表示流量高、速度中；
状态5：表示流量高、速度低；
状态6：表示流量低、速度低。
其中，在通常情况下，状态1、2认为是道路通畅；状态3、4认为是交通繁忙；状态5、6是交通拥堵。本发明以随机选取的连续三天的交通流数据用作建模的历史数据，根据上述内容对用作建模的历史数据进行分类。
状态转换概率统计模块统计由每组历史状态x(t-1)、x(t)到下一时刻状态x(t+1)出现的概率，具体过程如下：我们将两个历史状态x(t-1)和x(t)分别具有的所有6种可能，即总共36种历史状态，作为输入；将预测得到的下5分钟交通状态x(t+1)的6种可能的状态作为输出，形成了一个历史交通状态组合{x(t-1),x(t)}与未来交通状态x(t+1)间的转换矩阵，其维数为36*6。该转换矩阵的每个元素表示由一个历史状态组合{x(t-1),x(t)}转换到下一时刻交通状态x(t+1)的概率。表1是历史交通状态组合{x(t-1),x(t)}与下一时刻交通状态x(t+1)间的转换矩阵，矩阵的每一行代表由{x(t-1)与x(t)}两两排列组合成的36种历史中的每一个历史所对应的下一时刻x(t+1)取得6种状态的概率。
表1
预测模型产生模块对转换矩阵进行转换，对于每一组历史状态{x(t-1)与x(t)}对应的每一行，从中选取出概率最大的值对应的状态即作为该组历史状态对应的下一时刻x(t+1)的状态。最终的结果如表2所示，求得每一输入状态组合导致可能性最大的输出，即为预测模型：
表2预测模型
预测模块根据过去{x(t-1)与x(t)}组合10分钟的交通状态预测未来x(t+1)5分钟的交通状态。
已知某天的实际交通状态如表3所示，表中每一格代表的时间为5分钟时长，记录了当天0点到23:59的交通状态情况：
| 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
| 2 | 2 | 2 | 2 | 2 | 2 | 1 | 1 | 2 | 2 | 1 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 1 | 2 | 2 | 2 | 2 | 2 |
| 2 | 2 | 2 | 1 | 2 | 1 | 1 | 6 | 2 | 1 | 2 | 2 | 2 | 2 | 2 | 1 | 2 | 2 | 1 | 2 | 1 | 1 | 1 | 2 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 5 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 1 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 6 | 1 | 4 | 5 | 4 | 4 | 5 | 1 | 4 | 4 | 6 |
| 1 | 4 | 5 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 2 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 3 | 4 | 4 | 4 | 4 | 4 | 1 | 4 | 4 | 1 | 2 | 1 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
表3
根据表3的交通状态查询表2，得到预测交通状态见表4：
| / | / | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
| 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 1 | 2 | 2 | 2 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
| 2 | 2 | 2 | 2 | 2 | 2 | 2 | 1 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 1 | 1 |
| 2 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 1 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 1 | 2 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 1 | 2 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 4 | 4 | 4 | 4 | 4 | 3 | 4 | 4 | 4 | 4 | 4 | 1 | 4 | 4 | 1 | 2 | 2 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | / |
表4
由于实际交通状态的开始两个用作过去10分钟历史状态的输入，而预测时最后一个5分钟的状态也超出了当天时间，所以对于实际交通状态去掉开始的前两个状态，预测状态去掉最后一个5分钟的状态，然后利用剩下的从当0点10分开始到当天23：59中间的这些状态作为当天的状态来统计预测正确率，经计算所得的预测正确率为83.86%。
按照上述方法，我们利用某连续三天的数据来建立预测模型，然后根据该模型对后续27天的数据进行预测。所得到的平均预测正确率为80%。这说明本实施例的预测模型具有较高的正确率，能够对交通流进行良好的短时预测，具有较好的预测通用性和实用性，实时性良好。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
Claims (4)
1.一种短时交通流预测方法，其特征在于包括以下步骤：
1）采集历史记录的流量及速度数据，根据流量与速度形成的组合预设交通状态；
2）构建预测模型：
2.1）对历史数据进行筛选提取出用作构建模型的历史数据，利用分类模块对历史数据进行交通状态分类；
2.2）以两个历史时刻x(t-1)和x(t)的交通状态组合作为输入，历史状态的下一时刻x(t+1)的交通状态作为输出，构建一个历史交通状态组合{x(t-1),x(t)}与下一时刻交通状态x(t+1)间的转换矩阵；
2.3）转换矩阵求每一输入状态组合可能性最大的输出，得到预测模型；
3）输入实际预测交通状态对应的两个历史时刻x(t-1)和x(t)的交通状态，调用预测模型进行预测，输出预测状态；
4）记录实际状态，计算预测状态与实际状态间的误差，将误差结果记录保存。
2.根据权利要求1所述的一种短时交通流预测方法，其特征在于，所述交通状态有6种，包括：状态1：表示流量低、速度中；状态2：表示流量低、速度高；状态3：表示流量高、速度高；状态4：表示流量高、速度中；状态5：表示流量高、速度低；状态6：表示流量低、速度低。
3.根据权利要求2所述的一种短时交通流预测方法，其特征在于，所述两个历史时刻x(t-1)和x(t)的交通状态组合有36种，x(t+1)的交通状态有6种，转换矩阵的维数为36*6。
4.根据权利要求3所述的一种短时交通流预测方法，其特征在于通过历史时刻{x(t-1)与x(t)}组合10分钟的交通状态预测未来x(t+1)=5分钟的交通状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410011384.7A CN103745106A (zh) | 2014-01-10 | 2014-01-10 | 一种短时交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410011384.7A CN103745106A (zh) | 2014-01-10 | 2014-01-10 | 一种短时交通流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103745106A true CN103745106A (zh) | 2014-04-23 |
Family
ID=50502123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410011384.7A Pending CN103745106A (zh) | 2014-01-10 | 2014-01-10 | 一种短时交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103745106A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021665A (zh) * | 2014-06-06 | 2014-09-03 | 河南理工大学 | 基因搜索短时交通流预测方法 |
| CN104408921A (zh) * | 2014-11-28 | 2015-03-11 | 江苏物联网研究发展中心 | 基于交通仿真的交通流预测方法 |
| CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
| CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
| CN109255950A (zh) * | 2018-09-05 | 2019-01-22 | 苏州佳世达光电有限公司 | 车流预估方法、装置及系统 |
| WO2019080711A1 (zh) * | 2017-10-25 | 2019-05-02 | 腾讯科技（深圳）有限公司 | 路段速度预测方法、装置、服务器、介质及程序产品 |
| CN109919347A (zh) * | 2017-12-13 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 路况生成方法、相关装置和设备 |
| CN111583649A (zh) * | 2020-05-15 | 2020-08-25 | 重庆大学 | 一种rfid时空数据交通流特征参数预测方法 |
| US11004335B2 (en) | 2018-11-07 | 2021-05-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for speed prediction |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
| CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
| CN102087787A (zh) * | 2011-03-11 | 2011-06-08 | 上海千年工程建设咨询有限公司 | 短时交通状态预测装置及预测方法 |
| CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
-
2014
- 2014-01-10 CN CN201410011384.7A patent/CN103745106A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
| CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
| CN102087787A (zh) * | 2011-03-11 | 2011-06-08 | 上海千年工程建设咨询有限公司 | 短时交通状态预测装置及预测方法 |
| CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙晓亮: "城市道路交通状态评价和预测方法及应用研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 10, 15 October 2013 (2013-10-15) * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021665A (zh) * | 2014-06-06 | 2014-09-03 | 河南理工大学 | 基因搜索短时交通流预测方法 |
| CN104021665B (zh) * | 2014-06-06 | 2016-09-07 | 河南理工大学 | 基因搜索短时交通流预测方法 |
| CN104408921A (zh) * | 2014-11-28 | 2015-03-11 | 江苏物联网研究发展中心 | 基于交通仿真的交通流预测方法 |
| CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
| CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
| WO2019080711A1 (zh) * | 2017-10-25 | 2019-05-02 | 腾讯科技（深圳）有限公司 | 路段速度预测方法、装置、服务器、介质及程序产品 |
| US11501636B2 (en) | 2017-10-25 | 2022-11-15 | Tencent Technology (Shenzhen) Company Limited | Road segment speed prediction method, apparatus, server, medium, and program product |
| CN109919347A (zh) * | 2017-12-13 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 路况生成方法、相关装置和设备 |
| CN109919347B (zh) * | 2017-12-13 | 2022-01-18 | 腾讯科技（深圳）有限公司 | 路况生成方法、相关装置和设备 |
| US11423774B2 (en) | 2017-12-13 | 2022-08-23 | Tencent Technology (Shenzhen) Company Limited | Road condition generation method, apparatus and device, and storage medium |
| CN109255950A (zh) * | 2018-09-05 | 2019-01-22 | 苏州佳世达光电有限公司 | 车流预估方法、装置及系统 |
| US11004335B2 (en) | 2018-11-07 | 2021-05-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for speed prediction |
| CN111583649A (zh) * | 2020-05-15 | 2020-08-25 | 重庆大学 | 一种rfid时空数据交通流特征参数预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103745106A (zh) | 一种短时交通流预测方法 | |
| CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
| CN103246943B (zh) | 基于马尔可夫链的汽车运行工况多尺度预测方法 | |
| CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
| CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
| CN101295326B (zh) | 应用gps数据生成od矩阵的交通仿真的方法 | |
| CN102156308A (zh) | 台风路径判别方法 | |
| CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
| CN103699775A (zh) | 城市道路交通诱导策略自动生成方法与系统 | |
| CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
| CN103106790B (zh) | 一种基于秩和比法的平面交叉口设计变权综合评价方法 | |
| CN102682155A (zh) | 城市道路交通网络分析微观仿真系统 | |
| Li et al. | Connected vehicle-based traffic signal coordination | |
| CN103714694B (zh) | 城市交通信息接入处理系统 | |
| CN105206040A (zh) | 一种基于ic卡数据的公交串车预测方法 | |
| CN109447327A (zh) | 一种地铁列车轨迹预测方法 | |
| CN104464280A (zh) | 车辆行进开销的预测方法及系统 | |
| CN109272760B (zh) | 一种scats系统检测器数据异常值的在线检测方法 | |
| CN106938655A (zh) | 地铁交通冲突预警方法 | |
| CN111292535B (zh) | 车路协同环境下面向乘客出行的路网交通状态评价方法 | |
| He et al. | Analysis of urban traffic accidents features and correlation with traffic congestion in large-scale construction district | |
| Li et al. | Grey forecasting the impact of population and GDP on the carbon emission in a Chinese region | |
| CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
| Tan et al. | Statistical analysis and prediction of regional bus passenger flows | |
| Meng et al. | Train timetable stability evaluation based on analysis of interior and exterior factors information entropy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140423 |
|
| RJ01 | Rejection of invention patent application after publication |