CN103810849A - 一种基于浮动车数据的交通流变化趋势提取方法 - Google Patents
一种基于浮动车数据的交通流变化趋势提取方法 Download PDFInfo
- Publication number
- CN103810849A CN103810849A CN201210460184.0A CN201210460184A CN103810849A CN 103810849 A CN103810849 A CN 103810849A CN 201210460184 A CN201210460184 A CN 201210460184A CN 103810849 A CN103810849 A CN 103810849A
- Authority
- CN
- China
- Prior art keywords
- floating car
- car data
- traffic flow
- speed
- historical
- 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
本发明公开了一种基于浮动车数据的交通流变化趋势提取方法,属于智能交通技术领域。所述方法包括:获取路链至少三个月的历史浮动车数据,按照特征日对该数据进行分类;对历史浮动车数据进行去噪平滑处理;按照早晚高峰的变化趋势将每个特征日的历史浮动车数据分为至少一个时段;采用K-均值聚类方法对分类后的历史浮动车数据进行初步聚类;根据交通信息的粗粒度表达方式,采用定距型方法或二值型方法对历史浮动车数据进行进一步的聚类。本发明结合交通信息的粗粒度表达方式,在K-均值聚类方法的基础上,对交通流变化趋势进一步合并,使交通流变化趋势更加突显出来,为交通流预测、路径规划和诱导、道路规划等提供更清晰明了的参考依据。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种基于浮动车数据的交通流变化趋势提取方法。
背景技术
随着智能交通系统技术的飞速发展,越来越多的城市建立了先进的交通信息服务系统,通过数据采集系统获取实时交通数据,经过综合处理,预测交通流,并借助网络、广播、手机、可变信息板或车载导航装置等发布实时路况信息,结合交通信息为出行者规划最优路径。此外,交通信息可为交管部门提供交通控制与管理的依据,为道路规划部门合理规划道路设施提供参考依据,达到缓解交通拥堵、节能减排的目的。交通流变化具有明显的潮汐性和周期性,掌握城市内每条道路的交通流变化规律,对于交通流预测、路径规划和诱导、道路规划等都具有重要的意义。
浮动车技术是智能交通系统中获取道路实时交通信息的技术手段之一,它利用定位技术、无线通信技术和信息处理技术,实现对道路上行驶车辆的GPS位置信息、瞬时行驶速度和方向等交通参数的采集,结合城市道路路网数据,对采集的GPS位置信息进行数据过滤、地图匹配、路径推测和多车融合等相关计算模型及算法的处理,从而使浮动车数据和城市路网在时间和空间上关联起来,形成反映实时道路拥堵情况的交通信息,为交通管理部门和公众提供动态的交通控制和诱导服务。与传统的道路检测技术和视频监控技术等固定点采集手段相比,浮动车具有低成本、易安装、易维护、测量范围广等优势。
综上所述,研究基于浮动车数据的交通流变化趋势提取方法及系统意义重大。
而国内外目前常采用聚类分析的方法来提取交通流变化趋势,如改进的模糊C均值聚类方法对交通流数据进行分类;采用K-均值法和层次聚类法实现不同变化趋势的交通流时间序列分离;采用两级模糊聚类法对交通数据进行降维处理;采用聚类模式之间的最大距离选取类中心,以最小聚类原则对交通数据进行归类;阶梯型聚类方法对交通流量进行分类等。目前这些方法多是从纯数学角度进行聚类,并没有考虑交通信息在实际应用中的表达方式特征,交通流变化趋势不能被完全区分和提取出来。
发明内容
有鉴于此,本发明的目的在于提供一种基于浮动车数据的交通流变化趋势提取方法,用于实现基于浮动车数据的交通流变化趋势提取。
本发明提供了一种基于浮动车数据的交通流变化趋势提取方法,包括:
获取路链至少三个月的历史浮动车数据,按照特征日对所述历史浮动车数据进行分类;对所述历史浮动车数据进行去噪平滑处理;按照早晚高峰的变化趋势将每个特征日的历史浮动车数据分为至少一个时段;采用K-均值聚类方法对分类后的历史浮动车数据进行初步聚类;根据交通信息的粗粒度表达方式,采用定距型方法或二值型方法对所述初步聚类后的历史浮动车数据进行聚类。
本发明结合交通信息的粗粒度表达方式,在K-均值聚类方法的基础上,对交通流变化趋势进一步合并,使交通流变化趋势更加突显出来,为交通流预测、路径规划和诱导、道路规划等提供更清晰明了的参考依据。
附图说明
图1为本发明实施例提供的基于浮动车数据的交通流变化趋势提取原理示意图;
图2为本发明实施例提供的基于浮动车数据的交通流变化趋势提取方法流程图;
图3为本发明实施例中以交通状态表达法来对交通信息进行粗粒度分级的示意图;
图4为本发明实施例中一个特征日一个时段的历史浮动车数据变化趋势示意图;
图5为本发明实施例中采用K-均值聚类方法对历史浮动车数据进行初步聚类后的结果示意图;
图6为本发明实施例中采用定距型方法判断历史浮动车数据可进一步合并的模式示意图;
图7为本发明实施例中采用定距型方法对历史浮动车数据进行进一步聚类后的结果示意图;
图8为本发明实施例中采用二值型方法判断历史浮动车数据可进一步合并的模式示意图;
图9为本发明实施例中采用二值型方法对历史浮动车数据进行进一步聚类后的结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
本发明实施例针对目前交通流变化趋势提取方法的不足,根据交通信息在实际应用中的表达方式,提出基于浮动车数据的交通流变化趋势提取方法,为交通流预测、动态路径规划、交通规划与管理提供理论依据和技术参考。
基于浮动车数据的交通流变化趋势提取原理如图1所示,本发明实施例获取路链多个月的历史浮动车数据,按照特征日对数据进行分类,对浮动车数据进行去噪平滑处理,按照早晚高峰的变化趋势将每个特征日的数据分为多个时段,采用K-均值法对分类后的历史浮动车数据进行初步聚类,根据交通状态的粗粒度表达方式,采用定距型方法/二值型方法对浮动车数据进一步的聚类。
实施例一
基于浮动车数据的交通流变化趋势提取方法流程如图2所示,具体包括以下步骤:
步骤201、获取路链多个月的历史浮动车数据,按照特征日对数据进行分类。路段是交通信息表达的基本空间单位,以路段作为基本处理对象,获取某条路段多个月(至少三个月)的历史浮动车数据。将浮动车数据分为八个特征日:周一(Mon)、周二(Tue)、周三(Wed)、周四(Thu)、周五(Fri)、周六(Sat)、周日(Sun)、节假日(Hol),用C表示特征日集合,则C={Mon,Tue,Wed,Thu,Fri,Sat,Sun,Hol}。
步骤202、对历史浮动车数据进行去噪平滑处理。以每天为单位,对浮动车数据进行去噪平滑处理。
去噪处理方法:顺序扫描每个数据采样周期,对于数据缺失的路链,用其前后相邻4个周期的速度均值填补;对于与上下相邻周期的速度差异大于一预设值的路链,用上下相邻周期的速度均值替换。
平滑处理方法:对每个数据采样周期的速度,取其相邻两个数据采样周期的速度计算均值并赋值给该周期,每个数据采样周期重复五次。
步骤203、按照早晚高峰的变化趋势将每个特征日的历史数据分为多个时段。
每个特征日的交通流数据按照早晚高峰的变化趋势分为多个时间段,每个时间段包含多个浮动车数据采样周期T(单位:分钟)。定义k为时间标,t表示时间,则t=kT,k=1,2,…。如果T=5分钟,则一天24小时被划分为288个周期,即k=1,2,…,288,其中k=1表示00:00~00:05;k=288表示23:55~00:00。表1为一种交通流时段按照早晚高峰划分的方式:
表1
分段P | 时段 | 周期分段 | 周期数n |
1 | 0:00~6:00 | 1~72 | 72 |
2 | 6:00~10:00 | 72~120 | 49 |
3 | 10:00~15:00 | 120~180 | 61 |
4 | 15:00~20:00 | 180~240 | 61 |
5 | 20:00~0:00 | 240~288 | 49 |
步骤204、采用K-均值法对分类后的历史浮动车数据进行初步聚类。用P表示时间的分段,向量VC,P表示特征日C第P个时段的浮动车速度时变序列,向量VC,P,x表示特征日C第x天第P个时段的浮动车速度时变序列,向量VC,P,y表示特征日C第y天第P个时段的浮动车速度时变序列,表示特征日C第x天第P个时段第i个周期的速度,表示特征日C第y天第P个时段第i个周期的速度,n表示每个时段包含的周期数,则
步骤205、根据交通信息的粗粒度表达方式,采用定距型方法或二值型方法对初步聚类后的历史浮动车数据进行聚类。
目前,交通信息的表达分两个粒度:一个是细粒度的路段平均车速,一个是基于路段平均车速对交通状态进行粗粒度分级(主要分拥堵、缓行和畅通三级)。与平均车速表达法相比,交通状态表达法用红黄绿三种颜色来直观地表达路况信息,比较容易被用户理解和接受;同时有效解决了同一路段不同车辆平均速度的差异问题(如图3所示),只要能准确界定并表达交通状态,即可以获得较佳的用户体验。因此,本实施例以交通状态表达法来对交通信息进行粗粒度分级。为了更精确地描述交通信息,交通状态按照不同道路类型和道路功能等级进行定义,如表2所示:
表2
本实施例以交通信息粗粒度表达方式为基础,给出两种进一步将交通流变化趋势合并的方法,分别是定距型方法和二值型方法,其中:
定距型方法
考虑到速度处于交通状态的临界值时,驾驶员对交通状态的感知差异不明显,如果交通信息服务系统预测的速度和实际路测速度差值比较小时,不管系统发布的交通状态与实际是否一致,都认为系统提供的交通信息正确。用欧几里得距离d表示向量VC,P,x和VC,P,y之间的不相似测度。d的计算公式为:
由于公式(2)反映向量之间的整体水平,不考虑个体维度间的差异,可能出现多数差值很小,个别差异很大的情况。为了避免这种情况的出现,加入权重系数λi区别不同速度差值对d的贡献值。用α表示和交通状态不一致时能够容忍的最大速度差值,当速度差值时,权重系数λi=1,则两向量之间的加权欧几里得距离满足:
即 (4)
当速度差值α<β,且和表示的交通状态一致时,认为两向量可以合并,权重系数λi=1.5;当时,无论其他个体的差值多么小,均认为两向量不能合并,即β为能够容忍的最大速度差上限值。为了防止个体差值大于β也合并的情况发生,对权重系数的值进行控制。下面给出时λi取值的推算过程:
设从第1个速度差值到第(n-1)个速度值均无穷小,趋近于零,第n个速度的差值接近上限值β,则
将公式(5)带入公式(4)可得:
即
综上所述,λi对应不同速度差的取值为:
二值型方法
同定距型方法一样,如果和差值小于一个比较小的值α时,不管发布的路况信息是否一致,认为两者均能够正确的反映道路状况;如果且表示的交通状态一致,同样认为两者类似。如果向量VC,P,x和VC,P,y的所有个体均满足这些条件,表示可以合并。
用Sum表示两条向量的相似个体数,则Sum的计算公式为:
实施例二
以北京市北四环中路的某辅路为例,该辅路属于城市次要道路,道路等级为4。对该辅路2011年10月~12月三个月中的12个星期五15:00~20:00(周期180~240)的浮动车数据进行聚类,共12天,如图4所示,每条模式包含61个周期,即C=Fri,P=4,n=61。先采用K-均值法将12天的数据聚为6类,如图5所示,可以看出,有些模式还可以进一步的合并。然后采用定距型方法和二值型方法进一步合并。相关参数取值:α=5km/h,β=15kn/h。
定距型方法的计算结果如表3所示:
表3
从表中可以看到,加权欧几里得距离小于39.0513的模式组合有模式2-模式3、模式5-模式6、模式3-模式5、模式2-模式5,说明模式2、模式3、模式5和模式6这四条模式可以合并(图6),合并后剩余模式如图7所示。
表4
模式组合 | Sum值 |
模式1-模式2 | 61 |
模式2-模式3 | 61 |
模式3-模式4 | 50 |
模式4-模式5 | 49 |
模式5-模式6 | 61 |
模式1-模式3 | 55 |
模式2-模式4 | 51 |
模式3-模式5 | 61 |
模式4-模式6 | 47 |
模式1-模式4 | 26 |
模式2-模式5 | 50 |
模式3-模式6 | 59 |
模式1-模式5 | 53 |
模式2-模式6 | 45 |
模式1-模式6 | 28 |
表4中Sum值等于61的组合有模式1-模式2、模式2-模式3、模式5-模式6、模式3-模式5。因此,模式1、模式2、模式3、模式5和模式6这五条模式可以合并(图8),合并后剩余模式如图9所示。
本发明实施例结合交通信息的粗粒度表达方式,在K-均值聚类方法的基础上,对交通流变化趋势进一步合并,使交通流变化趋势更加突显出来,为交通流预测、路径规划和诱导、道路规划等提供更清晰明了的参考依据。
总之,以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (8)
1.一种基于浮动车数据的交通流变化趋势提取方法,其特征在于,包括:
获取路链至少三个月的历史浮动车数据,按照特征日对所述历史浮动车数据进行分类;对所述历史浮动车数据进行去噪平滑处理;按照早晚高峰的变化趋势将每个特征日的历史浮动车数据分为至少一个时段;采用K-均值聚类方法对分类后的历史浮动车数据进行初步聚类;根据交通信息的粗粒度表达方式,采用定距型方法或二值型方法对所述初步聚类后的历史浮动车数据进行聚类。
2.根据权利要求1所述的基于浮动车数据的交通流变化趋势提取方法,其特征在于,所述按照特征日对所述历史浮动车数据进行分类的步骤具体包括:
以路段作为基本处理对象,获取路段至少三个月的历史浮动车数据,将所述历史浮动车数据分为八个特征日:周一、周二、周三、周四、周五、周六、周日以及节假日,用C表示特征日集合,则C={Mon,Tue,Wed,Thu,Fri,Sat,Sun,Hol}。
3.根据权利要求2所述的基于浮动车数据的交通流变化趋势提取方法,其特征在于,所述对历史浮动车数据进行去噪处理的步骤具体包括:
顺序扫描每个数据采样周期,对于数据缺失的路链,用其前后相邻4个周期的速度均值填补;对于与上下相邻周期的速度差异大于一预设值的路链,用上下相邻周期的速度均值替换。
4.根据权利要求3所述的基于浮动车数据的交通流变化趋势提取方法,其特征在于,所述对历史浮动车数据进行平滑处理的步骤包括:
对每个采样周期的速度,取其相邻两个周期的速度计算均值并赋值给该采样周期,每个采样周期重复五次。
5.根据权利要求3或4所述的基于浮动车数据的交通流变化趋势提取方法,其特征在于,所述将每个特征日的历史浮动车数据分为至少一个时段的步骤具体包括:
每个特征日的交通流数据按照早晚高峰的变化趋势分为多个时间段,每个时间段包含多个浮动车数据采样周期T,定义k为时间标,t表示时间,则t=kT,k=1,2,…。
7.根据权利要求6所述的基于浮动车数据的交通流变化趋势提取方法,其特征在于,所述采用定距型方法对历史浮动车数据进行聚类的步骤具体包括:
用欧几里得距离d表示向量VC,P,x和VC,P,y之间的不相似测度,d的计算公式为:
即 (公式一)
则
即
因此,λi对应不同速度差的取值为:
8.根据权利要求6所述的基于浮动车数据的交通流变化趋势提取方法,其特征在于,所述采用二值型方法对历史浮动车数据进行聚类的步骤具体包括:
如果和差值小于一个比较小的值α时,不管发布的路况信息是否一致,认为两者均能够正确的反映道路状况;如果且表示的交通状态一致,同样认为两者类似;如果向量VC,P,x和VC,P,y的所有个体均满足这些条件,表示可以合并;
用Sum表示两条向量的相似个体数,则Sum的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210460184.0A CN103810849B (zh) | 2012-11-15 | 2012-11-15 | 一种基于浮动车数据的交通流变化趋势提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210460184.0A CN103810849B (zh) | 2012-11-15 | 2012-11-15 | 一种基于浮动车数据的交通流变化趋势提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103810849A true CN103810849A (zh) | 2014-05-21 |
CN103810849B CN103810849B (zh) | 2015-10-28 |
Family
ID=50707557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210460184.0A Active CN103810849B (zh) | 2012-11-15 | 2012-11-15 | 一种基于浮动车数据的交通流变化趋势提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810849B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091444A (zh) * | 2014-07-03 | 2014-10-08 | 四川省交通科学研究所 | 一种基于周期分量提取技术的短时交通流量预测方法 |
CN104269057A (zh) * | 2014-09-29 | 2015-01-07 | 银江股份有限公司 | 一种基于浮动车od数据的卡口传感器部署方法 |
CN104766469A (zh) * | 2015-03-26 | 2015-07-08 | 中兴智能交通有限公司 | 基于大数据分析的城市交通流潮汐仿真分析方法 |
CN104900073A (zh) * | 2015-05-05 | 2015-09-09 | 北京科技大学 | 一种雾霾情况下补充路网缺失数据的车辆诱导方法及系统 |
CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
CN106250679A (zh) * | 2016-07-22 | 2016-12-21 | 湖南明康中锦医疗科技发展有限公司 | 一种远程展示呼吸机历史治疗数据的波形图绘制方法 |
CN106407206A (zh) * | 2015-07-29 | 2017-02-15 | 高德软件有限公司 | 一种道路聚合方法及装置 |
CN107481533A (zh) * | 2017-09-23 | 2017-12-15 | 山东交通学院 | 一种交通流预测系统及方法 |
TWI619036B (zh) * | 2016-02-22 | 2018-03-21 | 財團法人資訊工業策進會 | 交通時間預測系統、交通時間預測方法以及交通模型建立方法 |
CN108091131A (zh) * | 2016-11-22 | 2018-05-29 | 中国移动通信有限公司研究院 | 一种交通事件识别方法及装置 |
CN108648445A (zh) * | 2018-04-19 | 2018-10-12 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
CN108871354A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 道路信息处理方法及处理系统 |
CN109660318A (zh) * | 2018-12-28 | 2019-04-19 | 成都路行通信息技术有限公司 | 一种基于车联网的车速降噪方法 |
CN109754606A (zh) * | 2019-02-28 | 2019-05-14 | 山东浪潮云信息技术有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN110444011A (zh) * | 2018-05-02 | 2019-11-12 | 杭州海康威视系统技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN112419712A (zh) * | 2020-11-04 | 2021-02-26 | 同盾控股有限公司 | 道路断面车速检测方法及系统 |
CN116743180A (zh) * | 2023-08-08 | 2023-09-12 | 东莞市欧派奇电子科技有限公司 | 一种储能电源数据智能存储方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN101807345A (zh) * | 2010-03-26 | 2010-08-18 | 重庆大学 | 一种基于视频检测技术的交通拥堵判别方法 |
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 |
KR20110112933A (ko) * | 2010-04-08 | 2011-10-14 | 삼성전자주식회사 | 이동통신 단말기를 이용한 교통 정보 서비스 제공 방법 및 장치 |
CN102332210A (zh) * | 2011-08-04 | 2012-01-25 | 东南大学 | 基于手机定位数据的实时城市道路交通流数据提取方法 |
CN102368354A (zh) * | 2011-10-19 | 2012-03-07 | 北京航空航天大学 | 一种基于浮动车数据采集的道路安全性评价方法 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
-
2012
- 2012-11-15 CN CN201210460184.0A patent/CN103810849B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
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 |
CN101807345A (zh) * | 2010-03-26 | 2010-08-18 | 重庆大学 | 一种基于视频检测技术的交通拥堵判别方法 |
KR20110112933A (ko) * | 2010-04-08 | 2011-10-14 | 삼성전자주식회사 | 이동통신 단말기를 이용한 교통 정보 서비스 제공 방법 및 장치 |
CN102332210A (zh) * | 2011-08-04 | 2012-01-25 | 东南大学 | 基于手机定位数据的实时城市道路交通流数据提取方法 |
CN102368354A (zh) * | 2011-10-19 | 2012-03-07 | 北京航空航天大学 | 一种基于浮动车数据采集的道路安全性评价方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
Non-Patent Citations (3)
Title |
---|
JEFFREY ERMAN 等: "Traffic Classification Using Clustering Algorithms", 《PROCEEDINGS OF THE 2006 SIGCOMM WORKSHOP ON MINING NETWORK DATA》, 31 December 2006 (2006-12-31) * |
任江涛 等: "交通流时间序列分离方法", 《计算机应用》, vol. 25, no. 4, 30 April 2005 (2005-04-30) * |
陈鹏 等: "快速路交通流时间序列聚类预测方法与模型", 《交通与计算机》, vol. 26, no. 5, 31 October 2008 (2008-10-31) * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091444B (zh) * | 2014-07-03 | 2016-03-30 | 四川省交通科学研究所 | 一种基于周期分量提取技术的短时交通流量预测方法 |
CN104091444A (zh) * | 2014-07-03 | 2014-10-08 | 四川省交通科学研究所 | 一种基于周期分量提取技术的短时交通流量预测方法 |
CN104269057A (zh) * | 2014-09-29 | 2015-01-07 | 银江股份有限公司 | 一种基于浮动车od数据的卡口传感器部署方法 |
CN104766469B (zh) * | 2015-03-26 | 2018-01-09 | 中兴智能交通股份有限公司 | 基于大数据分析的城市交通流潮汐仿真分析方法 |
CN104766469A (zh) * | 2015-03-26 | 2015-07-08 | 中兴智能交通有限公司 | 基于大数据分析的城市交通流潮汐仿真分析方法 |
CN104900073A (zh) * | 2015-05-05 | 2015-09-09 | 北京科技大学 | 一种雾霾情况下补充路网缺失数据的车辆诱导方法及系统 |
CN104900073B (zh) * | 2015-05-05 | 2017-04-26 | 北京科技大学 | 一种雾霾情况下补充路网缺失数据的车辆诱导方法 |
CN106407206A (zh) * | 2015-07-29 | 2017-02-15 | 高德软件有限公司 | 一种道路聚合方法及装置 |
TWI619036B (zh) * | 2016-02-22 | 2018-03-21 | 財團法人資訊工業策進會 | 交通時間預測系統、交通時間預測方法以及交通模型建立方法 |
CN106250679A (zh) * | 2016-07-22 | 2016-12-21 | 湖南明康中锦医疗科技发展有限公司 | 一种远程展示呼吸机历史治疗数据的波形图绘制方法 |
CN106250679B (zh) * | 2016-07-22 | 2019-02-22 | 湖南明康中锦医疗科技发展有限公司 | 一种远程展示呼吸机历史治疗数据的波形图绘制方法 |
CN106228808B (zh) * | 2016-08-05 | 2019-04-30 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
CN108091131A (zh) * | 2016-11-22 | 2018-05-29 | 中国移动通信有限公司研究院 | 一种交通事件识别方法及装置 |
CN108871354A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 道路信息处理方法及处理系统 |
CN107481533A (zh) * | 2017-09-23 | 2017-12-15 | 山东交通学院 | 一种交通流预测系统及方法 |
CN108648445A (zh) * | 2018-04-19 | 2018-10-12 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
CN108648445B (zh) * | 2018-04-19 | 2020-02-21 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
CN110444011A (zh) * | 2018-05-02 | 2019-11-12 | 杭州海康威视系统技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN109660318A (zh) * | 2018-12-28 | 2019-04-19 | 成都路行通信息技术有限公司 | 一种基于车联网的车速降噪方法 |
CN109754606A (zh) * | 2019-02-28 | 2019-05-14 | 山东浪潮云信息技术有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
CN109754606B (zh) * | 2019-02-28 | 2021-08-31 | 浪潮卓数大数据产业发展有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN110164130B (zh) * | 2019-04-29 | 2021-06-15 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN112419712A (zh) * | 2020-11-04 | 2021-02-26 | 同盾控股有限公司 | 道路断面车速检测方法及系统 |
CN116743180A (zh) * | 2023-08-08 | 2023-09-12 | 东莞市欧派奇电子科技有限公司 | 一种储能电源数据智能存储方法 |
CN116743180B (zh) * | 2023-08-08 | 2024-02-13 | 东莞市欧派奇电子科技有限公司 | 一种储能电源数据智能存储方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103810849B (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103810849B (zh) | 一种基于浮动车数据的交通流变化趋势提取方法 | |
CN104809112B (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN106816008B (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
CN100456335C (zh) | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 | |
CN103198104B (zh) | 一种基于城市智能公交系统的公交站点od获取方法 | |
CN104766476B (zh) | 一种路段以及路网区域交通状态指数的计算方法 | |
CN108806250B (zh) | 一种基于速度采样数据的区域交通拥堵评价方法 | |
CN102968901A (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
CN105206057B (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN103956050A (zh) | 基于车辆行程数据的道路网运行评价方法 | |
Li et al. | Battery capacity design for electric vehicles considering the diversity of daily vehicles miles traveled | |
CN103956042B (zh) | 一种基于图论的公共自行车调度区域智能划分方法 | |
CN110210749B (zh) | 一种轨道站点衔接共享单车投放量和投放位置确定方法 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN103714694B (zh) | 城市交通信息接入处理系统 | |
CN103646374B (zh) | 一种地面公交运行舒适性指数计算方法 | |
CN115759639A (zh) | 基于小样本增量学习的非租还高发期共享单车调度方法 | |
CN107886707A (zh) | 地理区块的优化方法及装置、车辆监控方法及装置 | |
CN102324111A (zh) | 基于公交ic卡数据的车辆运行方向判断方法 | |
CN106652450A (zh) | 一种高速公路交通指数数值确定方法 | |
Liqun et al. | Research on taxi drivers' passenger hotspot selecting patterns based on GPS data: A case study in Wuhan |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 100193 No. 301, block B, building 27, phase 1, Zhongguancun Software Park, No. 8, northeast flourishing West Road, Beijing, Haidian District Patentee after: Beijing city Mdt InfoTech Ltd Address before: 100191 Beijing City, Haidian District Xueyuan Road No. 39 Building 9 layer solid Patentee before: Beijing PalmCity Technology Co., Ltd. |