CN104112361A - 路网交通中常发瓶颈和偶发瓶颈的识别方法 - Google Patents
路网交通中常发瓶颈和偶发瓶颈的识别方法 Download PDFInfo
- Publication number
- CN104112361A CN104112361A CN201410172412.3A CN201410172412A CN104112361A CN 104112361 A CN104112361 A CN 104112361A CN 201410172412 A CN201410172412 A CN 201410172412A CN 104112361 A CN104112361 A CN 104112361A
- Authority
- CN
- China
- Prior art keywords
- road
- road section
- section
- congestion
- bottleneck
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及城市交通管理领域,旨在提供路网交通中常发瓶颈和偶发瓶颈的识别方法。该路网交通中常发瓶颈和偶发瓶颈的识别方法包括步骤:获得所需识别的路网中的所有路段的速度数据,计算路段的平均行程时间,确定路段的拥堵影响区域,计算路网中所有路段的全局平均速度,按照服务水平进行拥堵路段筛选,获得路段的拥堵发生频率,获得常发瓶颈和偶发瓶颈。本发明利用定义的拥堵影响区域,计算全局平均速度作为识别的基础,可以有效剔除随机因素的影响;另外,本发明还可以同时识别常发瓶颈和偶发瓶颈。
Description
技术领域
本发明是关于城市交通管理领域,特别涉及路网交通中常发瓶颈和偶发瓶颈的识别方法。
背景技术
一个城市的路网交通运行有一定的规律,但同时也受其他随机因素的影响,如何通过数据对路网中常发拥堵的路段和偶发拥堵的路段进行识别,对交通管理有重要的意义。但是目前尚无从大量的随机交通运行数据中识别常发瓶颈和偶发瓶颈的方法,导致交通管理部门依赖经验决策,从而弱化了交通管理效益。
发明内容
本发明的主要目的在于克服现有技术中的不足,提供一种通过计算路段产生的拥堵区域内的平均速度作为路段的全局速度,并以全局速度为基础获得拥堵排名,进而得到路段发生拥堵的频率的方法。为解决上述技术问题,本发明的解决方案是:
提供路网交通中常发瓶颈和偶发瓶颈的识别方法,用于利用交通运行数据得到路段发生拥堵的频率,包括下述步骤:
(1)获得所需识别的路网中的所有路段的速度数据;
(2)计算路段的平均行程时间;
(3)确定路段的拥堵影响区域;
(4)计算路网中所有路段的全局平均速度;
(5)按照服务水平进行拥堵路段筛选;
(6)获得路段的拥堵发生频率;
(7)获得常发瓶颈和偶发瓶颈;
所述步骤(1)具体是指:通过出租车GPS或者路段地点调查,获得所需识别的路网中的所有路段的速度数据:所述速度数据是指包括至少一天时间,所有时间间隔i内(典型的时间间隔可以取5分钟作为一个时间间隔),所有车辆经过路段j的速度;并对获得的速度数据计算平均值,得到在时间间隔i内,车辆经过路段j的平均速度vij;
其中,j是指所需识别的路网中的任意路段,i是指时间间隔;
所述步骤(2)具体是指:利用步骤(1)中得到在时间间隔i内,车辆经过所需识别的路网中的所有路段的平均速度,计算车辆经过路段的平均行程时间,计算公式为:
其中,j是指所需识别的路网中的任意路段,i是指时间间隔,tij是指车辆经过路段j的平均行程时间,Lj为路段j的物理长度,vij是指步骤(1)中获得的在时间间隔i内,车辆经过路段j的平均速度;
所述步骤(3)具体是指:设Ωj用于表示路段j的拥堵影响区域,并将Ωj初始化为Ωj={j};设路段m用于表示所需识别的路网中除路段j外的任意路段,tm-j用于表示路段m到达路段j的行程时间,路段m到路段j的物理最短路径为 其中 为物理最短路径上的第k条路段:
通过公式:计算tm-j:其中表示时间间隔i内,车辆在从路段m到路段j的物理最短路径上第k个路段的平均行程时间,通过步骤(2)计算得到,是指时间间隔i内,车辆从路段m到达路段j的平均行程时间;
通过tm-j的值确定路段j的拥堵影响区域,具体判断方法为:如果同时满足下述两个条件,则判断路段m是路段j的拥堵影响区域,更新Ωj=Ωj∪{m},即路段m的交通运行受路段j交通运行的影响;如果没有同时满足下述两个条件,则判断路段m不是路段j的拥堵影响区域,即路段j没有对路段m产生影响;
条件(1):tm-j的值小于1小时,即路段m到路段j的行程时间小于1小时;
条件(2):对于路段m到路段j的物理最短路径上的第k条路段满足即路段m到路段j的物理最短路径上第k条路段和路段j的交通状态相差在50%以内,即路段m到路段j的物理最短路径上任意路段和路段j的交通状态相差在50%以内;其中是时间间隔i内,从路段m到达路段j的物理最短路径上第k条路段的平均速度,通过步骤(1)得到;vij指步骤(1)中获得的在时间间隔i内,车辆经过路段j的平均速度;
所述步骤(4)具体是指:通过步骤(3)计算得到路段j的拥堵影响区域Ωj,计算Ωj内所有路段到达路段j的平均速度的平均,计算公式为:其中,表示路段m到路段j的平均行程速度,m为满足m∈Ωj的路段;其分子是指路段m到路段j的物理最短路径长度,分母是指路段m到达路段j的物理最短路径的平均行程时间,通过步骤(3)计算得到,是指路段j的拥堵影响区域Ωj中路段的数量,是指路段j的拥堵影响区域Ωj内所有路段到达路段j的平均行程速度的和;计算得到的即在时间间隔i内,车辆经过路段j的全局平均速度;
所述步骤(5)具体是指:通过步骤(4)计算得到的在时间间隔i内,车辆经过路段j的全局平均速度,按照拥堵阈值10km/h对全局平均速度进行筛选,如果全局平均速度的值小于拥堵阈值10km/h,则路段j为拥堵路段,并将所需识别的路网中的所有拥堵路段的集合记为Ci;
所述步骤(6)具体是指:设定∪{Ci},即对步骤(5)中得到的所有的Ci求并集,用于表示对所有的拥堵路线求并集:对于任一属于∪{Ci}的路线j统计路线j在所有Ci内出现的次数,并除以时间间隔i的个数,得到拥堵发生频率,并将拥堵发生频率从高到低进行排列,得到拥堵路段的频率排序向量Sj;
所述步骤(7)具体是指:如果路段j的拥堵发生频率小于等于50%,则判断路段j为偶发瓶颈路段:如果路段j的拥堵发生频率大于50%,则判断路段j为常发瓶领路段。
与现有技术相比,本发明的有益效果是:
本发明利用定义的拥堵影响区域,计算全局平均速度作为识别的基础,可以有效剔除随机因素的影响;另外,本发明还可以同时识别常发瓶颈和偶发瓶颈。
具体实施方式
下面结合具体实施方式对本发明作进一步详细描述:
路网交通中常发瓶颈和偶发瓶颈的识别方法,用于利用交通运行数据得到路段发生拥堵的频率,包括下述步骤:
(1)获得所需识别的路网中的所有路段的速度数据;
(2)计算路段的平均行程时间;
(3)确定路段的拥堵影响区域;
(4)计算路网中所有路段的全局平均速度;
(5)按照服务水平进行拥堵路段筛选;
(6)获得路段的拥堵发生频率;
(7)获得常发瓶颈和偶发瓶颈。
所述步骤(1)具体是指:通过出租车GPS或者路段地点调查,获得所需识别的路网中的所有路段的速度数据:所述速度数据是指包括至少一天时间,所有时间间隔i内,所有车辆经过路段j的速度,典型的时间间隔可以取5分钟作为一个时间间隔;并对获得的速度数据计算平均值,得到在时间间隔i内,车辆经过路段j的平均速度vij;
其中,j是指所需识别的路网中的任意路段,i是指时间间隔。
所述步骤(2)具体是指:利用步骤(1)中得到在时间间隔i内,车辆经过所需识别的路网中的所有路段的平均速度,计算车辆经过路段的平均行程时间,计算公式为:
其中,j是指所需识别的路网中的任意路段,i是指时间间隔,tij是指车辆经过路段j的平均行程时间,Lj为路段j的物理长度,vij是指步骤(1)中获得的在时间间隔i内,车辆经过路段j的平均速度。
所述步骤(3)具体是指:设Ωj用于表示路段j的拥堵影响区域,并将Ωj初始化为Ωj={j};设路段m用于表示所需识别的路网中除路段j外的任意路段,tm-j用于表示路段m到达路段j的行程时间,路段m到路段j的物理最短路径为 其中 为物理最短路径上的第k条路段;
通过公式:计算tm-j:其中表示时间间隔i内,车辆在从路段m到路段j的物理最短路径上第k个路段的平均行程时间,通过步骤(2)计算得到,是指时间间隔i内,车辆从路段m到达路段j的平均行程时间;
通过tm-j的值确定路段j的拥堵影响区域,具体判断方法为:如果同时满足下述两个条件,则判断路段m是路段j的拥堵影响区域,更新Ωj=Ωj∪{m},即路段m的交通运行受路段j交通运行的影响;如果没有同时满足下述两个条件,则判断路段m不是路段j的拥堵影响区域,即路段j没有对路段m产生影响;
条件(1):tm-j的值小于1小时,即路段m到路段j的行程时间小于1小时;
条件(2):对于路段m到路段j的物理最短路径上的第k条路段满足即路段m到路段j的物理最短路径上第k条路段和路段j的交通状态相差在50%以内,即路段m到路段j的物理最短路径上任意路段和路段j的交通状态相差在50%以内;其中是时间间隔i内,从路段m到达路段j的物理最短路径上第k条路段的平均速度,通过步骤(1)得到;vij指步骤(1)中获得的在时间间隔i内,车辆经过路段j的平均速度。
所述步骤(4)具体是指:通过步骤(3)计算得到路段j的拥堵影响区域Ωj,计算Ωj内所有路段到达路段j的平均速度的平均,计算公式为:其中,表示路段m到路段j的平均行程速度,m为满足m∈Ωj的路段;其分子是指路段m到路段j的物理最短路径长度,分母是指路段m到达路段j的物理最短路径的平均行程时间,通过步骤(3)计算得到,是指路段j的拥堵影响区域Ωj中路段的数量,是指路段j的拥堵影响区域Ωj内所有路段到达路段j的平均行程速度的和;计算得到的即在时间间隔i内,车辆经过路段j的全局平均速度。
所述步骤(5)具体是指:通过步骤(4)计算得到的在时间间隔i内,车辆经过路段j的全局平均速度,按照拥堵阈值10km/h对全局平均速度进行筛选,如果全局平均速度的值小于拥堵阈值10km/h,则路段j为拥堵路段,并将所需识别的路网中的所有拥堵路段的集合记为Ci。
所述步骤(6)具体是指:设定∪{Ci},即对步骤(5)中得到的所有的Ci求并集,用于表示对所有的拥堵路线求并集;对于任一属于∪{Ci}的路线j统计路线j在所有Ci内出现的次数,并除以时间间隔i的个数,得到拥堵发生频率,并将拥堵发生频率从高到低进行排列,得到拥堵路段的频率排序向量Sj。
所述步骤(7)具体是指:如果路段j的拥堵发生频率小于等于50%,则判断路段j为偶发瓶颈路段:如果路段j的拥堵发生频率大于50%,则判断路段j为常发瓶颈路段。
至此,路网内的偶发瓶颈和常发瓶颈路段就识别出来了。
最后,需要注意的是,以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (1)
1.路网交通中常发瓶颈和偶发瓶颈的识别方法,用于利用交通运行数据得到路段发生拥堵的频率,其特征在于,包括下述步骤:
(1)获得所需识别的路网中的所有路段的速度数据;
(2)计算路段的平均行程时间;
(3)确定路段的拥堵影响区域;
(4)计算路网中所有路段的全局平均速度;
(5)按照服务水平进行拥堵路段筛选;
(6)获得路段的拥堵发生频率;
(7)获得常发瓶颈和偶发瓶颈;
所述步骤(1)具体是指:通过出租车GPS或者路段地点调查,获得所需识别的路网中的所有路段的速度数据:所述速度数据是指包括至少一天时间,所有时间间隔i内,所有车辆经过路段j的速度:并对获得的速度数据计算平均值,得到在时间间隔i内,车辆经过路段j的平均速度vij;
其中,j是指所需识别的路网中的任意路段,i是指时间间隔;
所述步骤(2)具体是指:利用步骤(1)中得到在时间间隔i内,车辆经过所需识别的路网中的所有路段的平均速度,计算车辆经过路段的平均行程时间,计算公式为:
其中,j是指所需识别的路网中的任意路段,i是指时间间隔,tij是指车辆经过路段j的平均行程时间,Lj为路段j的物理长度,vij是指步骤(1)中获得的在时间间隔i内,车辆经过路段j的平均速度;
所述步骤(3)具体是指:设Ωj用于表示路段j的拥堵影响区域,并将Ωj初始化为Ωj={j}:设路段m用于表示所需识别的路网中除路段j外的任意路段,tm-j用于表示路段m到达路段j的行程时间,路段m到路段j的物理最短路径为 其中 为物理最短路径上的第k条路段;
通过公式:计算tm-j:其中表示时间间隔i内,车辆在从路段m到路段j的物理最短路径上第k个路段的平均行程时间,通过步骤(2)计算得到,是指时间间隔i内,车辆从路段m到达路段j的平均行程时间;
通过tm-j的值确定路段j的拥堵影响区域,具体判断方法为:如果同时满足下述两个条件,则判断路段m是路段j的拥堵影响区域,更新Ωj=Ωj∪{m},即路段m的交通运行受路段j交通运行的影响;如果没有同时满足下述两个条件,则判断路段m不是路段j的拥堵影响区域,即路段j没有对路段m产生影响;
条件(1):tm-j的值小于1小时,即路段m到路段j的行程时间小于1小时;
条件(2):对于路段m到路段j的物理最短路径上的第k条路段满足即路段m到路段j的物理最短路径上第k条路段和路段j的交通状态相差在50%以内,即路段m到路段j的物理最短路径上任意路段和路段j的交通状态相差在50%以内:其中是时间间隔i内,从路段m到达路段j的物理最短路径上第k条路段的平均速度,通过步骤(1)得到:vij指步骤(1)中获得的在时间间隔i内,车辆经过路段j的平均速度;
所述步骤(4)具体是指:通过步骤(3)计算得到路段j的拥堵影响区域Ωj,计算Ωj内所有路段到达路段j的平均速度的平均,计算公式为:其中,表示路段m到路段j的平均行程速度,m为满是m∈Ωj的路段:其分子是指路段m到路段j的物理最短路径长度,分母是指路段m到达路段j的物理最短路径的平均行程时间,通过步骤(3)计算得到,是指路段j的拥堵影响区域Ωj中路段的数量,是指路段j的拥堵影响区域Ωj内所有路段到达路段j的平均行程速度的和;计算得到的即在时间间隔i内,车辆经过路段j的全局平均速度;
所述步骤(5)具体是指:通过步骤(4)计算得到的在时间间隔i内,车辆经过路段j的全局平均速度,按照拥堵阈值10km/h对全局平均速度进行筛选,如果全局平均速度的值小于拥堵阈值10km/h,则路段j为拥堵路段,并将所需识别的路网中的所有拥堵路段的集合记为Ci;
所述步骤(6)具体是指:设定∪{Ci},即对步骤(5)中得到的所有的Ci求并集,用于表示对所有的拥堵路线求并集:对于任一属于∪{Ci}的路线j统计路线j在所有Ci内出现的次数,并除以时间间隔i的个数,得到拥堵发生频率,并将拥堵发生频率从高到低进行排列,得到拥堵路段的频率排序向量Sj;
所述步骤(7)具体是指:如果路段j的拥堵发生频率小于等于50%,则判断路段j为偶发瓶颈路段;如果路段j的拥堵发生频率大于50%,则判断路段j为常发瓶颈路段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410172412.3A CN104112361B (zh) | 2014-04-25 | 2014-04-25 | 路网交通中常发瓶颈和偶发瓶颈的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410172412.3A CN104112361B (zh) | 2014-04-25 | 2014-04-25 | 路网交通中常发瓶颈和偶发瓶颈的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104112361A true CN104112361A (zh) | 2014-10-22 |
CN104112361B CN104112361B (zh) | 2016-08-31 |
Family
ID=51709135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410172412.3A Expired - Fee Related CN104112361B (zh) | 2014-04-25 | 2014-04-25 | 路网交通中常发瓶颈和偶发瓶颈的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104112361B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608896A (zh) * | 2016-03-14 | 2016-05-25 | 西安电子科技大学 | 城市交通网络中的交通瓶颈识别方法 |
CN106898139A (zh) * | 2015-12-17 | 2017-06-27 | 中国移动通信集团公司 | 一种道路节点的识别方法及装置 |
CN107134136A (zh) * | 2017-01-23 | 2017-09-05 | 北京博研智通科技有限公司 | 一种城市之间道路交通拥堵程度排序的方法和系统 |
CN108109377A (zh) * | 2018-01-23 | 2018-06-01 | 重庆城市综合交通枢纽开发投资有限公司 | 一种基于三维McMaster算法的常偶发拥堵判别方法 |
CN109360414A (zh) * | 2018-09-18 | 2019-02-19 | 北京交通大学 | 常发拥堵路段的识别和筛查方法 |
CN109508734A (zh) * | 2018-10-26 | 2019-03-22 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
CN109712401A (zh) * | 2019-01-25 | 2019-05-03 | 同济大学 | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 |
CN110232819A (zh) * | 2019-05-16 | 2019-09-13 | 北京航空航天大学 | 一种基于复杂网络的城市关键道路的发掘方法 |
CN111815941A (zh) * | 2019-04-10 | 2020-10-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN112509326A (zh) * | 2020-12-02 | 2021-03-16 | 北京航空航天大学 | 一种基于广义极值t分布偏差的非周期拥堵检测方法 |
CN112712694A (zh) * | 2020-12-24 | 2021-04-27 | 重庆中信科信息技术有限公司 | 一种基于时空分析的偶发性拥堵识别分析方法 |
CN112885086A (zh) * | 2021-01-18 | 2021-06-01 | 湖南省交通规划勘察设计院有限公司 | 一种基于多源交通大数据的突发拥堵判别系统 |
CN114863676A (zh) * | 2022-04-15 | 2022-08-05 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
CN115795083A (zh) * | 2022-11-17 | 2023-03-14 | 北京百度网讯科技有限公司 | 确定道路设施完备性的方法、装置、电子设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002008183A (ja) * | 2000-05-10 | 2002-01-11 | Daimler Chrysler Ag | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
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 |
-
2014
- 2014-04-25 CN CN201410172412.3A patent/CN104112361B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002008183A (ja) * | 2000-05-10 | 2002-01-11 | Daimler Chrysler Ag | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
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 |
Non-Patent Citations (1)
Title |
---|
王福建等: "基于宏观基本图的城市路网交通状态判别与监控", 《第七届中国智能交通年会优秀论文集》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898139B (zh) * | 2015-12-17 | 2019-10-15 | 中国移动通信集团公司 | 一种道路节点的识别方法及装置 |
CN106898139A (zh) * | 2015-12-17 | 2017-06-27 | 中国移动通信集团公司 | 一种道路节点的识别方法及装置 |
CN105608896B (zh) * | 2016-03-14 | 2018-03-06 | 西安电子科技大学 | 城市交通网络中的交通瓶颈识别方法 |
CN105608896A (zh) * | 2016-03-14 | 2016-05-25 | 西安电子科技大学 | 城市交通网络中的交通瓶颈识别方法 |
CN107134136A (zh) * | 2017-01-23 | 2017-09-05 | 北京博研智通科技有限公司 | 一种城市之间道路交通拥堵程度排序的方法和系统 |
CN108109377A (zh) * | 2018-01-23 | 2018-06-01 | 重庆城市综合交通枢纽开发投资有限公司 | 一种基于三维McMaster算法的常偶发拥堵判别方法 |
CN109360414B (zh) * | 2018-09-18 | 2020-10-23 | 北京交通大学 | 常发拥堵路段的识别和筛查方法 |
CN109360414A (zh) * | 2018-09-18 | 2019-02-19 | 北京交通大学 | 常发拥堵路段的识别和筛查方法 |
CN109508734B (zh) * | 2018-10-26 | 2022-03-11 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
CN109508734A (zh) * | 2018-10-26 | 2019-03-22 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
CN109712401B (zh) * | 2019-01-25 | 2021-05-11 | 同济大学 | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 |
CN109712401A (zh) * | 2019-01-25 | 2019-05-03 | 同济大学 | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 |
CN111815941A (zh) * | 2019-04-10 | 2020-10-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN111815941B (zh) * | 2019-04-10 | 2021-07-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN110232819A (zh) * | 2019-05-16 | 2019-09-13 | 北京航空航天大学 | 一种基于复杂网络的城市关键道路的发掘方法 |
CN112509326A (zh) * | 2020-12-02 | 2021-03-16 | 北京航空航天大学 | 一种基于广义极值t分布偏差的非周期拥堵检测方法 |
CN112509326B (zh) * | 2020-12-02 | 2021-12-10 | 北京航空航天大学 | 一种基于广义极值t分布偏差的非周期拥堵检测方法 |
CN112712694A (zh) * | 2020-12-24 | 2021-04-27 | 重庆中信科信息技术有限公司 | 一种基于时空分析的偶发性拥堵识别分析方法 |
CN112885086A (zh) * | 2021-01-18 | 2021-06-01 | 湖南省交通规划勘察设计院有限公司 | 一种基于多源交通大数据的突发拥堵判别系统 |
CN112885086B (zh) * | 2021-01-18 | 2022-11-22 | 湖南省交通规划勘察设计院有限公司 | 一种基于多源交通大数据的突发拥堵判别系统 |
CN114863676A (zh) * | 2022-04-15 | 2022-08-05 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
CN115795083A (zh) * | 2022-11-17 | 2023-03-14 | 北京百度网讯科技有限公司 | 确定道路设施完备性的方法、装置、电子设备和介质 |
CN115795083B (zh) * | 2022-11-17 | 2024-01-05 | 北京百度网讯科技有限公司 | 确定道路设施完备性的方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104112361B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104112361B (zh) | 路网交通中常发瓶颈和偶发瓶颈的识别方法 | |
US20190347739A1 (en) | Risk Based Automotive Insurance Rating System | |
WO2018064931A1 (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
CN110634292B (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
JP5424754B2 (ja) | リンク旅行時間算出装置及びプログラム | |
CN103440768B (zh) | 一种基于动态修正的公交车到达时间实时预测方法 | |
CN112201038A (zh) | 一种基于单车不良驾驶行为风险的路网风险评估方法 | |
CN108871357B (zh) | 一种在电子地图上显示拥堵路段的事故车道的方法 | |
CN109712401B (zh) | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 | |
CN106251642B (zh) | 一种基于实时公交车gps数据的公交路链速度计算方法 | |
US20200025584A1 (en) | Method, apparatus, and computer program product for determining lane level traffic information | |
CN105139645A (zh) | 一种基于浮动车技术的城市区域路网运行指数评估方法 | |
US10636296B2 (en) | Traffic hindrance risk prediction apparatus | |
CN105608895B (zh) | 一种基于局部异常因子的城市交通拥堵路段检测方法 | |
CN103971516B (zh) | 交通数据预处理方法及路况检测方法 | |
CN103956052A (zh) | 一种公路路况的检测方法和系统 | |
CN108257380B (zh) | 一种基于路况信息检测拥堵事件的方法及系统 | |
Caceres et al. | Estimating freeway route travel time distributions with consideration to time‐of‐day, inclement weather, and traffic incidents | |
CN107993441B (zh) | 一种货车常跑路线的预测方法及装置 | |
Azizi et al. | Estimation of freeway platooning measures using surrogate measures based on connected vehicle data | |
WO2018061162A1 (ja) | 燃費推定システム、燃費推定方法および燃費推定プログラム | |
CN108665723B (zh) | 一种信息获取方法及装置 | |
JP2017151545A (ja) | 事故予報システム、および事故予報方法 | |
CN109670085B (zh) | 一种车辆碰撞事故等级的判别方法 | |
CN112927497B (zh) | 一种浮动车识别方法、相关方法和装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160831 Termination date: 20190425 |
|
CF01 | Termination of patent right due to non-payment of annual fee |