CN104021671B - 一种svm与模糊判断相结合的道路实时路况的判断方法 - Google Patents
一种svm与模糊判断相结合的道路实时路况的判断方法 Download PDFInfo
- Publication number
- CN104021671B CN104021671B CN201410210223.0A CN201410210223A CN104021671B CN 104021671 B CN104021671 B CN 104021671B CN 201410210223 A CN201410210223 A CN 201410210223A CN 104021671 B CN104021671 B CN 104021671B
- Authority
- CN
- China
- Prior art keywords
- road
- traffic
- data
- state
- busy
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000000903 blocking effect Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000007667 floating Methods 0.000 claims description 4
- 230000005389 magnetism Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及城市道路实时路况信息处理领域，尤其涉及一种svm与模糊判断相结合的道路实时路况的判断方法，包括：(1)交通数据源设备采集固定点路段中的交通流参数；(2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路段状态：对于采集参数少的设备，采用阀值算法；对于采集参数多的设备，采用svm算法；(3)结合路口状态、路段状态采用模糊判定法则判断综合交通状态。本发明的有益效果在于：1、本发明方法应用于城市道路实时路况状态判断，可以充分发挥交通管理系统发挥的功能，使其能及时、全面、准确地掌握路网道路交通状况；2、本发明具有可扩展性、高准确性，具有优秀的非线性处理能力。
Description
技术领域
本发明涉及城市道路实时路况信息处理领域，尤其涉及一种svm与模糊判断相结合的道路实时路况的判断方法。
背景技术
随着国民经济的高速发展和城市化进程的加快，我国的机动车拥有量及道路交通流量急剧增加，日益增长的交通需求与城市道路基础设施建设之间的矛盾已成为目前城市交通的主要矛盾，由此导致交通拥挤和堵塞现象频频发生。
城市道路实时路况是城市交通一个很重要的部分，它实现了对城市道路路况状态的实时评估和交通拥堵的诱导和交通疏散。它融合了多种交通检测设备采集的数据进行整合，并评估出道路的实时状态。
由于基于概率分布的融合模型需要大量的人工标定，工作量较大，同时缺乏对路网整体状态评估准确性的自适应参数调整，因此整体评估效果不佳。为了克服已有的道路交通拥堵状况模型的算法的不够智能及准确性不够高，提出一种新的算法实现城市道路实时路况判断。
发明内容
本发明为克服上述的不足之处，目的在于提供一种具有高智能、高准确性的城市道路实时路况判断方法，该方法是一种svm与模糊判断相结合的道路实时路况的判断方法。
本发明是通过以下技术方案达到上述目的：一种svm与模糊判断相结合的道路实时路况的判断方法，包括：
(1)交通数据源设备采集固定点路段中的交通流参数，交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
(2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路段状态：对于采集参数少的设备采用阀值算法；对于采集参数多的设备采用svm算法；
(3)结合路口状态、路段状态采用模糊判定法则判断综合交通状态。
作为优选，步骤(2)中，交通数据源设备类型为卡口、视频、线圈采用阀值算法计算路口状态、路段状态；交通数据源设备类型为地磁、微波采用SVM支持向量机算法计算路口状态、路段状态。
作为优选，线圈用于判断路口状态；卡口、微波地磁、视频用于判断路段状态；路段有浮动车数据的，则用浮动车状态为模糊判定法则提供辅助判断。若路段没有浮动车数据，则以路口和路段的综合判断状态作为最终状态。
作为优选，阀值算法包括：
1)统计时间周期T内各交通参数特性，确定状态判断指标参数，以速度、占有率作为优先判别指标，依次将其的畅通、繁忙阈值设定为v0,v1,O1,O2；
2)在统计时间段内每次采集的各车道速度或占有率按照从低到高依次排序，取中间85％个速度值或占有率作为有效数据；
其中，统计时间周期为T分钟，数据上传频率为P秒/次，车道数为N；
T分钟内上传记录最多为T×60×N/P条；中心接收到数据条数M条,取值范围为0<＝M<＝T×60×N/P；
3)根据上述统计数据及拥堵状态，设定各参数阈值，分别计算各车道拥堵状态；
4)统计出畅通、拥堵、繁忙状态的概率，概率最高的为该路段状态。
作为优选，svm算法包括：
1)实时采集交通流参数，并将采集到的交通流参数作为历史数据保存；交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
2)提取历史数据，采用道路分类的聚类算法将历史数据划分为若干子集，使得每个子集内的数据在模式上尽可能相似，然后在每一个子集中抽取少量代表构成训练集，并人工标注这个小训练集作为svm模型；
3)实时采集的交通流参数进行数据预处理：判断每个车道的流量数据丢失或正常或异常，部分丢失数据或部分异常数据用该种交通数据源设备的其他车道的流量替代或用其他交通数据源设备该车道替代或其他相邻路段替代；提取85％的交通流参数计算综合车辆速度、综合占有率；
4)将数据预处理后的交通流参数带入svm模型，得到交通拥堵状态。
作为优选，道路分类的聚类算法包括：对道路进行等级划分，划分标准为：主干道为一等级，该等级下划分3个等级；次干道为二等级，该等级下划分3个等级；采集等级划分道路一周内的早晚高峰及平峰车流量、车辆速度、占有率，将采集数据作为matlab聚类算法的输入得到分类结果；建立道路拥堵模型，设定各个道路等级的拥堵、繁忙和畅通的界定值。
作为优选，所述模糊判定法则包括：
1)路口状态为畅通时：路段状态为畅通或繁忙，则综合交通状态为畅通；路段状态为拥堵，则综合交通状态为繁忙；
2)路口状态为繁忙时：路段状态为畅通或繁忙，则综合交通状态为繁忙；路段状态为拥堵，则综合交通状态为拥堵；
3)路口状态为拥堵时：路段状态为繁忙或拥堵，则综合交通状态为拥堵；路口状态为畅通，则综合交通状态为繁忙。
本发明的有益效果在于：1、本发明方法应用于城市道路实时路况状态判断，可以充分发挥交通管理系统发挥的功能，使其能及时、全面、准确地掌握路网道路交通状况，实时研判路网宏观交通运行态势，提升交通信息综合分析研判水平，及时准确发布交通管理服务信息；2、本发明具有可扩展性、高准确性，具有优秀的非线性处理能力，该方法时间复杂性低，能够应用在道路复杂、车流密集的路网。
附图说明
图1是本发明的步骤流程图；
图2是阀值算法的步骤流程图；
图3是svm算法的步骤流程图；
图4是道路分类的聚类算法的步骤流程图；
图5是数据预处理的步骤流程图。
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，一种svm与模糊判断相结合的道路实时路况的判断方法，包括：
(1)交通数据源设备采集固定点路段中的交通流参数，交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
(2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路段状态：对于采集参少的设备，采用阀值算法；对于采集参数多的设备，采用svm算法；
(3)结合路口状态、路段状态采用模糊判定法则判断综合交通状态，模糊判定法则为：
3.1)路口状态为畅通时：路段状态为畅通或繁忙，则综合交通状态为畅通；路段状态为拥堵，则综合交通状态为繁忙；
3.2)路口状态为繁忙时：路段状态为畅通或繁忙，则综合交通状态为繁忙；路段状态为拥堵，则综合交通状态为拥堵；
3.3)路口状态为拥堵时：路段状态为繁忙或拥堵，则综合交通状态为拥堵；路口状态为畅通，则综合交通状态为繁忙。
如图2所示，阀值算法包括：
1)统计时间周期T内各交通参数特性，确定状态判断指标参数，以速度、占有率作为优先判别指标，依次将其的畅通、繁忙阈值设定为v0,v1,O1,O2；
2)在统计时间段内每次采集的各车道速度或占有率按照从低到高依次排序，取中间85％个速度值或占有率作为有效数据；
其中，统计时间周期为T分钟，数据上传频率为P秒/次，车道数为N；
T分钟内上传记录最多为T×60×N/P条；中心接收到数据条数M条,取值范围为0<＝M<＝T×60×N/P；
3)根据上述统计数据及拥堵状态，设定各参数阈值，分别计算各车道拥堵状态；
4)统计出畅通、拥堵、繁忙状态的概率，概率最高的为该路段状态。
参见图3所示，svm算法包括：
1)实时采集交通流参数，并将采集到的交通流参数作为历史数据保存；交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
2)提取历史数据，采用道路分类的聚类算法将历史数据划分为若干子集，使得每个子集内的数据在模式上尽可能相似，然后在每一个子集中抽取少量代表构成训练集，并人工标注这个小训练集作为svm模型；
3)实时采集的交通流参数进行数据预处理：判断每个车道的流量数据丢失或正常或异常，部分丢失数据或部分异常数据用该种交通数据源设备的其他车道的流量替代或用其他交通数据源设备该车道替代或其他相邻路段替代；提取85％的交通流参数计算综合车辆速度、综合占有率；
4)将数据预处理后的交通流参数带入svm模型，得到交通拥堵状态。
在svm算法中，采用道路分类的聚类算法对历史数据进行划分，如图4所示，道路分类的聚类算法包括：道路分类分为二等级，等级的划分是以主次干道为标准，主干道为一等级，次干道为二等级。其中等级的基础上又各划分为三类，一等级分为mainroad11、mainroad12、mainroad13，二等级分为subroad21、subroad22、subroad23。划分的标准是：统计全部道路一周的不同设备早晚高峰、平峰的流量，速度占有率和车道数，然后采用聚类算法在matlab下对每一等级的道路分类，分别分为3类。
道路的拥堵模型是根据每种类型道路的高峰、平峰的历史数据及对应的状态设定调整的，每种道路类型选几条有代表性的道路，观察它们的历史数据的规律设定拥堵、繁忙和畅通的界定值，界定值如表1所示：
表1
表中的阀值划分了拥堵、繁忙和畅通的范围，各参数的阀值的参照方法如下：
速度：高于阀值为畅通，低于阀值为拥堵，高于低阀值并低于高阀值为繁忙；
流量：低于阀值为畅通，高于阀值为拥堵，高于低阀值并低于高阀值为繁忙；
占有率：低于阀值为畅通，高于阀值为拥堵，高于低阀值并低于高阀值为繁忙。
根据表1的阀值界定值对历史数据进行道路分类的聚类算法后可以得到svm模型，标记Flow-流，Speed-速度，Share-占有率，Status-红黄绿，将以上结果带入上述svm模型，输出模型参数，为预测做准备。
如图5所示，实时采集的交通流参数进行数据预处理，数据预处理是为数据分析及融合做准备。判断每个车道的流量数据丢失或正常或异常，部分丢失数据或部分异常数据用该种交通数据源设备的其他车道的流量替代或用其他交通数据源设备该车道替代或其他相邻路段替代；提取85％的交通流参数计算综合车辆速度、综合占有率。
由于svm用了结构风险最小化的训练模型，即使采用小样本集训练得到的模型也可以有较高的分类准确率。另外，svm算法还具有可扩展性，即随着历史交通数据的积累，更丰富的样本可以慢慢被发现，分类器可以重新训练，以应对项目初期未考虑到的因素，从而进一步提交通状态判定的精度。除此以外，该方法还包括其它优点，例如非线性处理能力和低时间复杂性等。
以某市路网数据库中2014年3月28日下午4点58分的地磁、线圈数据为例。对于不同道路上采集到的数据，首先用数据预处理方法对空数据进行预报，在后期的处理中就忽略此数据。线圈设备传来的数据为空，那么有可能是设备坏了。在后续的判断中不考虑此值。
对有数据的路段则结合阀值算法和svm支持向量机算法计算道路状态，并采用路口路段模糊判定模型判定得出最后的综合交通状态。nFlow为流量，nshare为占有率，nSpeed为速度，‘-’表示没有数据输入，geoState[]为交通状态，若geoState＝0表示状态不清，1表示畅通，2表示繁忙，3表示拥堵。线圈采用阀值判定算法，地磁设备采用svm算法，最后结合模糊判断算法得出该道路的综合交通状态,参见表2、表3。
表2
表3
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 (3)
1.一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于：
(1)交通数据源设备采集固定点路段中的交通流参数，交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
(2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路况状态：
交通数据源设备类型为卡口、视频、线圈采用阀值算法计算路口状态、路况状态；
所述阀值算法包括：
(i)统计时间周期T内各交通流参数特性，确定状态判断指标参数，以速度、占有率作为优先判别指标，依次将其的畅通、繁忙阈值设定为v0,v1,O1,O2；
(ii)在统计时间段内每次采集的各车道速度或占有率按照从低到高依次排序，取中间85％个速度值或占有率作为有效数据；
其中，统计时间周期为T分钟，数据上传频率为P秒/次，车道数为N；
T分钟内上传记录最多为T×60×N/P条；中心接收到数据条数M条,取值范围为0<＝M<＝T×60×N/P；
(iii)根据步骤(ii)得到的有效数据及拥堵状态，设定各参数阈值，分别计算各车道拥堵状态；
(iv)统计出畅通、拥堵、繁忙状态的概率，概率最高的为该路段状态；
交通数据源设备类型为地磁、微波、浮动车采用SVM算法计算路口状态、路况状态；
(3)结合路口状态、路况状态采用模糊判定法则判断综合交通状态；
所述模糊判定法则包括：
1)路口状态为畅通时：路段状态为畅通或繁忙，则综合交通状态为畅通；路段状态为拥堵，则综合交通状态为繁忙；
2)路口状态为繁忙时：路段状态为畅通或繁忙，则综合交通状态为繁忙；路段状态为拥堵，则综合交通状态为拥堵；
3)路口状态为拥堵时：路段状态为繁忙或拥堵，则综合交通状态为拥堵；路口状态为畅通，则综合交通状态为繁忙。
2.根据权利要求1所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，SVM算法包括：
1)实时采集交通流参数，并将采集到的交通流参数作为历史数据保存；交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
2)提取历史数据，采用道路分类的聚类算法将历史数据划分为若干子集，使得每个子集内的数据在模式上尽可能相似，然后在每一个子集中抽取少量代表构成训练集，并人工标注这个小训练集作为svm模型；
3)实时采集的交通流参数进行数据预处理：判断每个车道的流量数据丢失或正常或异常，车道的部分丢失数据或部分异常数据用同种交通数据源设备在其他车道的数据流量替代或用其他交通数据源设备在本车道的数据流量替代；提取85％的交通流参数计算综合车辆速度、综合占有率；
4)将数据预处理后的交通流参数带入svm模型，得到交通拥堵状态。
3.根据权利要求2所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，道路分类的聚类算法包括：对道路进行等级划分，划分标准为：主干道为一等级，该等级下划分3个等级；次干道为二等级，该等级下划分3个等级；采集等级划分道路一周内的早晚高峰及平峰车流量、车辆速度、占有率，将采集数据作为matlab聚类算法的输入得到分类结果；建立道路拥堵模型，设定各个道路等级的拥堵、繁忙和畅通的界定值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410210223.0A CN104021671B (zh) | 2014-05-16 | 2014-05-16 | 一种svm与模糊判断相结合的道路实时路况的判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410210223.0A CN104021671B (zh) | 2014-05-16 | 2014-05-16 | 一种svm与模糊判断相结合的道路实时路况的判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104021671A CN104021671A (zh) | 2014-09-03 |
| CN104021671B true CN104021671B (zh) | 2016-06-08 |
Family
ID=51438401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410210223.0A Active CN104021671B (zh) | 2014-05-16 | 2014-05-16 | 一种svm与模糊判断相结合的道路实时路况的判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104021671B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104332048B (zh) * | 2014-10-27 | 2016-04-06 | 东南大学 | 一种城市道路交通状态阈值确定方法 |
| CN104361349A (zh) * | 2014-10-31 | 2015-02-18 | 重庆大学 | 基于车检器和收费数据融合的异常交通状态识别方法及系统 |
| CN104484996B (zh) * | 2014-12-18 | 2017-02-22 | 中设设计集团股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
| CN104751644B (zh) * | 2015-04-14 | 2017-02-22 | 无锡物联网产业研究院 | 一种交通检测方法以及交通检测装置 |
| CN106485918B (zh) * | 2016-09-29 | 2019-04-05 | 蔡诚昊 | 一种基于wifi的交通拥堵疏散效果评估方法 |
| CN107301369A (zh) * | 2017-09-04 | 2017-10-27 | 南京航空航天大学 | 基于航拍图像的道路交通拥堵分析方法 |
| CN109147319B (zh) * | 2018-08-06 | 2020-05-05 | 北京航空航天大学 | 一种基于多交通数据指标的道路突发事件判别方法 |
| CN110517497A (zh) * | 2019-09-05 | 2019-11-29 | 中国科学院长春光学精密机械与物理研究所 | 一种道路交通分类方法、装置、设备、介质 |
| CN111402583B (zh) * | 2020-03-19 | 2022-06-21 | 阿里巴巴集团控股有限公司 | 一种交通事件的感知方法、设备及存储介质 |
| CN111599174B (zh) * | 2020-05-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 一种交通指标的异常检测方法和电子设备 |
| CN111862605B (zh) * | 2020-07-20 | 2022-03-08 | 腾讯科技（深圳）有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
| CN111951547A (zh) * | 2020-07-29 | 2020-11-17 | 苏交科集团股份有限公司 | 一种国省干线交通流量信息监测方法 |
| CN112512020B (zh) * | 2020-11-20 | 2022-10-11 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN113470601B (zh) * | 2021-07-07 | 2023-04-07 | 南昌航空大学 | 一种自动作曲方法及系统 |
| CN117078020B (zh) * | 2023-10-12 | 2024-01-30 | 山东龙翼航空科技有限公司 | 基于无人机的物流运输数据管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
| CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
| CN103578273A (zh) * | 2013-10-17 | 2014-02-12 | 银江股份有限公司 | 一种基于微波雷达数据的道路交通状态估计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
-
2014
- 2014-05-16 CN CN201410210223.0A patent/CN104021671B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
| CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
| CN103578273A (zh) * | 2013-10-17 | 2014-02-12 | 银江股份有限公司 | 一种基于微波雷达数据的道路交通状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 支持向量机对交通流量的预测模型;唐兰兰;《湖南交通科技》;20081231;第34卷(第4期);正文第149-154页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104021671A (zh) | 2014-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104021671B (zh) | 一种svm与模糊判断相结合的道路实时路况的判断方法 | |
| CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| CN109754597B (zh) | 一种城市道路区域拥堵调控策略推荐系统及方法 | |
| CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
| CN108961747B (zh) | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 | |
| CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
| CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
| CN103578273B (zh) | 一种基于微波雷达数据的道路交通状态估计方法 | |
| CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
| CN103761430B (zh) | 一种基于浮动车的路网高峰时段识别方法 | |
| CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
| CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
| CN103021176A (zh) | 基于断面检测器的城市道路交通状态判别方法 | |
| CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
| CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
| CN109615851B (zh) | 一种在群智感知系统中基于关键路段的感知节点选取方法 | |
| CN104715610A (zh) | 一种面向城市交通的交通指数计算方法 | |
| CN104240499A (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
| CN105389987A (zh) | 一种道路交通状况预测方法及装置 | |
| CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
| CN105374209A (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
| CN109191849A (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
| CN110807917A (zh) | 一种基于云计算的高速公路智能安防系统 | |
| CN109598930B (zh) | 一种自动检测高架封闭系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231109 Address after: Room 301, 3rd Floor, Building 7, No. 2 Xiyuanba Road, Xihu District, Hangzhou City, Zhejiang Province, 310012 Patentee after: Chengbao (Hangzhou) Internet Technology Co.,Ltd. Address before: 310012 110 1 floor, 1 building, 223 Yi Le Road, Xihu District, Hangzhou, Zhejiang. Patentee before: ZHEJIANG ENJOYOR RESEARCH INSTITUTE CO.,LTD. |