CN104157142A - 一种基于浮动车数据的城市路径行程时间预测方法 - Google Patents
一种基于浮动车数据的城市路径行程时间预测方法 Download PDFInfo
- Publication number
- CN104157142A CN104157142A CN201410431400.8A CN201410431400A CN104157142A CN 104157142 A CN104157142 A CN 104157142A CN 201410431400 A CN201410431400 A CN 201410431400A CN 104157142 A CN104157142 A CN 104157142A
- Authority
- CN
- China
- Prior art keywords
- grades
- traffic rules
- path
- congestion
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于浮动车数据的城市路径行程时间预测方法。具体方法为:首先对浮动车历史数据进行分析,创建基于周期模式的历史交通规则;由交通管理部门或专家创建默认交通规则;给出输入车辆出行的起点、终点、出行时刻以及当前的交通条件等交通事件与交通规则相匹配,计算出各条候选路径的行程时间。本发明能有效挖掘浮动车数据,对城市路径行程时间进行有效预测,区别于传统的基于历史数据的路径行程时间预测方法。本发明中采用的方法和技术简单易行,运行条件容易满足,可以对城市路径的行程时间进行预测,从而引导车辆合理选择出行路线,对于缓解城市交通拥堵有重要作用,并且易于在大中型城市中推广应用。
Description
技术领域
本发明涉及智能交通领域,特别涉及一种基于浮动车数据的城市路径行程时间预测方法。
背景技术
在智能交通研究领域,如何提高交通服务水平,许多国家和地区已经开展了城市道路行程时间预测的研究,并已成为国际研究的热点之一。目前已有的行程时间预测方法主要侧重于可预测事件以及特殊天气对交通方式的影响。
现有的城市路径行程时间预测方法预测精度不高,如果能够将现有的预测方法进行一定的融合,形成交通规则,在预测过程中考虑各种交通特征,动态调整各种交通事件对行程时间影响的权值,将大大提高车辆行程时间预测的精度。
发明内容
本发明提出了一种基于浮动车数据的城市路径行程时间预测方法。本发明能有效挖掘浮动车数据,可以对城市路径的行程时间进行预测,从而引导车辆合理选择出行路线,对于缓解城市交通拥堵有重要作用,并且易于在大中型城市中推广应用。
为了达到上述目的,本发明所采用的技术方案为:
一种基于浮动车数据的城市路径行程时间预测方法,包括以下步骤:
(1)采用数据挖掘的方法,创建基于浮动车数据的历史交通模式和历史交通规则;
(2)由交通管理部门或专家创建默认交通规则,分别为不同时间维和空间维的路段定义道路拥堵级别,同时设定历史交通规则权值α和默认交通规则权值β;
(3)设置交通参数,包括车辆出行的起点、终点、出行时刻、出行日期和天气状况,依据设置的交通参数查找满足条件的历史交通规则和默认交通规则,确定路段的拥堵级别,从而获得路段的平均速度;
(4)根据设置的交通参数调整历史交通规则权值α和默认交通规则权值β的值;
(5)根据设置的交通参数,产生m条候选路径,每条候选路径由多条路段链组成,加权计算每条候选路径基于历史交通规则的路径行程时间Th和基于默认交通规则的路径行程时间Td,得到每条候选路径的预测行程时间T,计算公式为:T=αTh+βTd,其中,α和β采用经过所述步骤4)调整后的值;
(6)m条候选路径的预测行程时间都计算完成后,在候选路径中选择一条预测行程时间最短的路径作为推荐路径,该路径的预测行程时间即为最终的路径预测行程时间。
前述的步骤(1)包括以下步骤:
1-1)定义时空维,所述时间维分为年、季节、月、星期、小时、半小时;所述空间维分为路段链;
1-2)将道路拥堵级别分为10级:平均速度为0~5km/h定义为9级;平均速度为6~10km/h定义为8级;平均速度为11~15km/h定义为7级;平均速度为16~20km/h定义为6级;平均速度为21~25km/h定义为5级;平均速度为26~30km/h定义为4级;平均速度为31~35km/h定义为3级;平均速度为36~40km/h定义为2级;平均速度为40~60km/h定义为1级;平均速度为大于60km/h定义为0级;
1-3)定义城市道路网络为一个无向带权图G=(V,E,Q),其中:V是顶点的集合,E是边的集合,城市道路网络中的每个交叉路口即为无向带权图中的一个顶点,用ni表示,ni∈V,并对每个顶点进行编号,城市道路网络中的一条路段e即为无向带权图中的一条边,用一个二元组(ni,nj)表示,e∈E,ni,nj表示路段e的结点,ni∈V,nj∈V,Q为正的实数集合,表示路段所对应的长度;
1-4)定义历史交通模式为STP:(W,TI,H,L(ni,nj),D,R),其中W表示星期几,值为1~7;TI为时间索引,值为1~48,分别表示一天的每半小时;H代表是否为假期,值为0和1,1表示假期,0表示工作日;L(ni,nj)为路段链;D为方向,值为0和1,0表示起点编号大于终点编号,1表示起点编号小于终点编号;R为道路拥堵级别,值为0~9;
1-5)根据W和H的值确定是工作日还是假期,根据TI的值确定具体的时间,然后将历史交通模式STP转化为历史交通规则:if工作日/假期&时间&路段链&方向then道路拥堵级别为R。
前述的步骤(2)中,由交通管理部门或专家创建默认交通模式为STP’:(W’,TI’,H’,L(ni,nj)’,D’,R’),其中W’表示星期几,值为1~7;TI’为时间索引,值为1~48,分别表示一天的每半小时;H’代表是否为假期,值为0和1,1表示假期,0表示工作日;L(ni,nj)’为路段链;D’为方向,值为0和1,0表示起点编号大于终点编号,1表示起点编号小于终点编号;R’为道路拥堵级别,值为0~9;
所述默认交通规则为:if工作日/假期&时间&路段链&方向then道路拥堵级别为R’。
前述的步骤(2)中,所述历史交通规则权值α和默认交通规则权值β的初始值由交通领域专家提出,且所述历史交通规则权值α和默认交通规则权值β满足:
α∈[0,1],β∈[0,1]且α+β=1。
前述的步骤(4),调整α和β的值,为:
规则1:if浮动车稀少thenα=α-5%,β=β+5%;
规则2:if下大雨thenα=α+5%,β=β-5%;
所述浮动车稀少是指历史数据库中路段链上浮动车覆盖率低于3%。
前述的步骤(5),所述加权计算基于历史交通规则的路径行程时间的方法为:对于每条候选路径,根据设置的交通参数结合候选路径中的路段链,查找匹配的历史交通模式,进一步获得该候选路径的所有路段链的道路拥堵级别,再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度vi,最后计算出每条路段链i的行程时间ti=Li/vi,则基于历史交通规则的路径行程时间Th为:Li为路段链i的距离,n为一条候选路径中路段链的条数;
所述加权计算基于默认交通规则的路径行程时间的方法为:对于每条候选路径,根据设置的交通参数结合候选路径中的路段链,查找匹配的默认交通模式,进一步获得该候选路径的所有路段链的道路拥堵级别,再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度v′i,最后计算出每条路段链i的行程时间t′i=Li/v′i,则基于默认交通规则的路径行程时间Td为:n为一条候选路径中路段链的条数。
前述的路段平均行驶速度是指:定义每一道路拥堵级别车辆的平均行驶速度为该拥挤级别的平均速度范围的中间值,具体为:9级拥堵级别车辆的平均行驶速度为2.5km/h,8级拥堵级别车辆的平均行驶速度为8km/h,7级拥堵级别车辆的平均行驶速度为13.5km/h,6级拥堵级别车辆的平均行驶速度为16km/h,5级拥堵级别车辆的平均行驶速度为23km/h,4级拥堵级别车辆的平均行驶速度为28km/h,3级拥堵级别车辆的平均行驶速度为33km/h,2级拥堵级别车辆的平均行驶速度为78km/h,1级拥堵级别车辆的平均行驶速度为50km/h,0级拥堵级别车辆的平均行驶速度定义为60km/h。
本发明与已有技术相比,其效果是积极和明显的。本发明具有以下优点:
本发明提供的城市路径行程时间预测方法,基于周期模式,而周期模式存在于移动对象的运动过程中,如城市交通的早晚拥堵情况。周期模式挖掘能发现移动对象的内部行为特征,可以用来预测将来的运动趋势。本发明着眼于交通信息采集设备的交通数据,利用现有资源挖掘二次信息,依据不同时段、不同季节、不同天气构造不同的交通规则,更加符合中国的实际,因为大部分城市人们的出行习惯与天气、节假日、早晚高峰期密切相关。利用本发明可以对城市路径的行程时间进行预测,从而能够引导车辆合理选择城市道路,缓解大中城市交通拥堵问题。
附图说明
图1为本发明的基于浮动车数据的城市路径行程时间预测方法流程图。
具体实施方式
现结合附图和具体实施方式,对本发明做进一步说明:
本发明的基于浮动车数据的城市路径行程时间预测方法,如图1所示,包括以下步骤:
第一步S100,采用数据挖掘的方法,创建基于浮动车数据的历史交通模式和历史交通规则;
为了得到行程时间预测的交通模式和交通规则,需要给出时空维、道路网络和交通模式的定义,分别为:
1)定义时空维,时间维分为“年”、“季节”、“月”、“星期”、“小时”、“半小时”;空间维分为路段链。
然后将道路拥堵级别分为10级:平均速度为0~5km/h定义为9级;平均速度为6~10km/h定义为8级;平均速度为11~15km/h定义为7级;平均速度为16~20km/h定义为6级;平均速度为21~25km/h定义为5级;平均速度为26~30km/h定义为4级;平均速度为31~35km/h定义为3级;平均速度为36~40km/h定义为2级;平均速度为40~60km/h定义为1级;平均速度为大于60km/h定义为0级,即交通畅通。每级的平均速度可以由交通管理部门或专家定义。
2)定义城市道路网络为一个无向带权图G=(V,E,Q),其中:V是顶点的集合,E是边的集合,城市道路网络中的每个交叉路口即为无向带权图中的一个顶点,用ni表示,ni∈V,并对每个顶点进行编号,城市道路网络中的一条路段e即为无向带权图中的一条边,用一个二元组(ni,nj)表示,e∈E,ni,nj表示路段e的结点,ni∈V,nj∈V,Q为正的实数集合,表示路段所对应的长度。
3)定义历史交通模式为STP:(W,TI,H,L(ni,nj),D,R),其中W表示星期几,值为1~7;TI为时间索引,值为1~48,分别表示一天的每半小时;H代表是否为假期,值为0和1,1表示假期,0表示工作日;L(ni,nj)为路段链;D为方向,值为0和1,0表示起点编号大于终点编号,1表示起点编号小于终点编号;R为道路拥堵级别,值为0~9。例如,STP:(1,16,0,L(600,605),0,4),含义为(星期一,8:00,工作日,路段链L(600,605),方向为结点605至结点600行驶,拥堵4级)。这样定义可以减少分类历史数据的分类计算时间,只搜索同类历史数据。如果搜索的时间窗太大,行程时间预测的实时性明显降低。例如,假期的历史交通模式不同于平常日期的历史交通模式,因此预测星期天的某路径的行程时间可以仅仅只搜索所有星期天的历史交通模式。以一年为例,历史数据量可以减少到1/7(一周7天)。
根据W和H的值确定是工作日还是假期,根据TI的值确定具体的时间,然后将历史交通模式STP转化为历史交通规则:if工作日/假期&时间&路段链&方向then道路拥堵级别为R。例如,将上述STP:(1,16,0,L(600,605),0,4)转化为历史交通规则为:if工作日&8:00&路段链L(600,605)&方向为结点605至结点600行驶then道路拥堵级别为4级。
第二步S200,由交通管理部门或专家创建默认交通规则,分别为不同时间维和空间维的路段定义道路拥堵级别,级别越高越拥堵,同时设定历史交通规则权值α和默认交通规则权值β。由于行程时间受很多因素影响,诸如,事故、天气、驾驶行为习惯,因此仅仅依靠历史交通模式(假期、工作日、周末等)预测行程时间是不准确的,需要结合实时交通事件,采用历史行程时间与默认交通规则相结合的方式预测行程时间,因此需要定义加权计算的权值,这样预测行程时间可以获得更高的准确性。
采用与历史交通模式相同的定义方法,定义默认交通模式为STP’:(W’,TI’,H’,L(ni,nj)’,D’,R’),其中W’表示星期几,值为1~7;TI’为时间索引,值为1~48,分别表示一天的每半小时;H’代表是否为假期,值为0和1,1表示假期,0表示工作日;L(ni,nj)’为路段链;D’为方向,值为0和1,0表示起点编号大于终点编号,1表示起点编号小于终点编号;R’为道路拥堵级别,值为0~9。例如,STP’:(1,16,0,L(700,705),1,3),含义为(星期一,8:00,工作日,路段链L(700,705),方向为结点700至结点705行驶,道路拥堵级别3级)。
将默认交通模式STP’转化为默认交通规则:if工作日/假期&时间&路段链&方向then道路拥堵级别为R’。例如,将上述STP’:(1,16,0,L(700,705),1,3)转化为默认交通规则为:if工作日&8:00&路段链L(700,705)&方向为结点700至结点705行驶then道路拥堵级别为3级。
由交通领域专家设定历史交通规则权值α和默认交通规则权值β的初始值,且满足:α∈[0,1],β∈[0,1]且α+β=1。如α和β的初始值分别为0.75、0.25。
第三步S300,设置交通参数,包括车辆出行的起点、终点、出行时刻、出行日期和天气状况,依据设置的交通参数查找满足条件的历史交通规则和默认交通规则,确定路段的拥堵级别,从而获得路段的平均速度。具体为:
根据出行起点和终点,获得几条候选路径,分别对应一系列路段链;
根据出行时刻,可以计算出时间索引;
根据出行日期,确定星期几,是否工作日;
根据天气状况,调整调整历史交通规则和默认交通规则的权值。
第四步S400,读取实时交通参数,根据交通参数,如天气状况,浮动车的数量,调整历史交通规则权值α和默认交通规则权值β的值;调整遵循:
规则1:if浮动车稀少thenα=α-5%,β=β+5%;
规则2:if下大雨thenα=α+5%,β=β-5%。
其中,浮动车稀少是指历史数据库中路段上浮动车覆盖率低于3%。浮动车一般是指安装了车载GPS定位装置的公交车和出租车。浮动车覆盖率指行驶车辆中设置为浮动车的比率。浮动车的覆盖率是历史交通数据的系统参数。
如果城市道路网上浮动车的覆盖率达到3%~5%,采集频率1次/分钟,上传频率1次/5分钟,准确度可以达到95%,可以满足实时应用的要求,无需调整历史交通规则权值和默认交通规则权值。
采集频率指定期记录车辆位置、方向、速度信息的频率;上传频率指浮动车位置数据通过无线通讯定期传输到信息处理中心的频率。
第五步S500,对于每条候选路径,加权计算基于历史交通规则的路径行程时间Th和基于默认交通规则的路径行程时间Td,具体方法为:
根据设置的交通参数结合候选路径中的路段链,查找匹配的历史交通模式,进一步获得该候选路径的所有路段链的道路拥堵级别,再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度vi,最后计算出每条路段链i的行程时间ti=Li/vi,则基于历史交通规则的路径行程时间Th为:Li为路段链i的距离,n为一条候选路径中路段链的条数。
根据设置的交通参数结合候选路径中的路段链,查找匹配的默认交通模式,进一步获得该候选路径的所有路段链的道路拥堵级别,再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度v′i,最后计算出每条路段链i的行程时间t′i=Li/v′i,则基于默认交通规则的路径行程时间Td为:n为一条候选路径中路段链的条数。
最后计算每条候选路径的预测行程时间T,计算公式为:T=αTh+βTd。
所有的候选路径的预测行程时间T都计算完成后,在候选路径中选择一条预测行程时间最短的路径作为推荐路径,该路径的预测行程时间即为最终的路径预测行程时间。
上述进行历史交通模式和默认交通模式的匹配过程中,路段平均行驶速度是指:定义每一道路拥堵级别车辆的平均行驶速度为该拥挤级别的平均速度范围的中间值,具体为:9级拥堵级别车辆的平均行驶速度为2.5km/h,8级拥堵级别车辆的平均行驶速度为8km/h,7级拥堵级别车辆的平均行驶速度为13.5km/h,6级拥堵级别车辆的平均行驶速度为16km/h,5级拥堵级别车辆的平均行驶速度为23km/h,4级拥堵级别车辆的平均行驶速度为28km/h,3级拥堵级别车辆的平均行驶速度为33km/h,2级拥堵级别车辆的平均行驶速度为78km/h,1级拥堵级别车辆的平均行驶速度为50km/h,0级表示畅通,由于城区速度受限,0级拥堵级别车辆的平均行驶速度定义为60km/h。
依据上面的方法,如果需要对城市路网中从O点到D点的行程时间进行预测,可列出O点到D点的不同路径,各路径对应着一系列的路段链和不同时段的行程时间总和,在行程时间总和的比较中,选择行程时间最少的一条路径作为最佳路径。此方法不仅考虑了路段的交通流也考虑了不同时刻、季节、气候等因素的影响,因而实际应用效果更佳。
Claims (7)
1.一种基于浮动车数据的城市路径行程时间预测方法,其特征在于,包括以下步骤:
(1)采用数据挖掘的方法,创建基于浮动车数据的历史交通模式和历史交通规则;
(2)由交通管理部门或专家创建默认交通规则,分别为不同时间维和空间维的路段定义道路拥堵级别,同时设定历史交通规则权值α和默认交通规则权值β;
(3)设置交通参数,包括车辆出行的起点、终点、出行时刻、出行日期和天气状况,依据设置的交通参数查找满足条件的历史交通规则和默认交通规则,确定路段的拥堵级别,从而获得路段的平均速度;
(4)根据设置的交通参数调整历史交通规则权值α和默认交通规则权值β的值;
(5)根据设置的交通参数,产生m条候选路径,每条候选路径由多条路段链组成,加权计算每条候选路径基于历史交通规则的路径行程时间Th和基于默认交通规则的路径行程时间Td,得到每条候选路径的预测行程时间T,计算公式为:T=αTh+βTd,其中,α和β采用经过所述步骤4)调整后的值;
(6)m条候选路径的预测行程时间都计算完成后,在候选路径中选择一条预测行程时间最短的路径作为推荐路径,该路径的预测行程时间即为最终的路径预测行程时间。
2.根据权利要求1所述的一种基于浮动车数据的城市路径行程时间预测方法,其特征在于,所述步骤(1)包括以下步骤:
1-1)定义时空维,所述时间维分为年、季节、月、星期、小时、半小时;所述空间维分为路段链;
1-2)将道路拥堵级别分为10级:平均速度为0~5km/h定义为9级;平均速度为6~10km/h定义为8级;平均速度为11~15km/h定义为7级;平均速度为16~20km/h定义为6级;平均速度为21~25km/h定义为5级;平均速度为26~30km/h定义为4级;平均速度为31~35km/h定义为3级;平均速度为36~40km/h定义为2级;平均速度为40~60km/h定义为1级;平均速度为大于60km/h定义为0级;
1-3)定义城市道路网络为一个无向带权图G=(V,E,Q),其中:V是顶点的集合,E是边的集合,城市道路网络中的每个交叉路口即为无向带权图中的一个顶点,用ni表示,ni∈V,并对每个顶点进行编号,城市道路网络中的一条路段e即为无向带权图中的一条边,用一个二元组(ni,nj)表示,e∈E,ni,nj表示路段e的结点,ni∈V,nj∈V,Q为正的实数集合,表示路段所对应的长度;
1-4)定义历史交通模式为STP:(W,TI,H,L(ni,nj),D,R),其中W表示星期几,值为1~7;TI为时间索引,值为1~48,分别表示一天的每半小时;H代表是否为假期,值为0和1,1表示假期,0表示工作日;L(ni,nj)为路段链;D为方向,值为0和1,0表示起点编号大于终点编号,1表示起点编号小于终点编号;R为道路拥堵级别,值为0~9;
1-5)根据W和H的值确定是工作日还是假期,根据TI的值确定具体的时间,然后将历史交通模式STP转化为历史交通规则:if工作日/假期&时间&路段链&方向then道路拥堵级别为R。
3.根据权利要求1所述的一种基于浮动车数据的城市路径行程时间预测方法,其特征在于,所述步骤(2)中,由交通管理部门或专家创建默认交通模式为STP’:(W’,TI’,H’,L(ni,nj)’,D’,R’),其中W’表示星期几,值为1~7;TI’为时间索引,值为1~48,分别表示一天的每半小时;H’代表是否为假期,值为0和1,1表示假期,0表示工作日;L(ni,nj)’为路段链;D’为方向,值为0和1,0表示起点编号大于终点编号,1表示起点编号小于终点编号;R’为道路拥堵级别,值为0~9;
所述默认交通规则为:if工作日/假期&时间&路段链&方向then道路拥堵级别为R’。
4.根据权利要求1所述的一种基于浮动车数据的城市路径行程时间预测方法,其特征在于,所述步骤(2)中,所述历史交通规则权值α和默认交通规则权值β的初始值由交通领域专家提出,且所述历史交通规则权值α和默认交通规则权值β满足:
α∈[0,1],β∈[0,1]且α+β=1。
5.根据权利要求1所述的一种基于浮动车数据的城市路径行程时间预测方法,其特征在于,所述步骤(4),调整α和β的值,为:
规则1:if浮动车稀少thenα=α-5%,β=β+5%;
规则2:if下大雨thenα=α+5%,β=β-5%;
所述浮动车稀少是指历史数据库中路段链上浮动车覆盖率低于3%。
6.根据权利要求1所述的一种基于浮动车数据的城市路径行程时间预测方法,其特征在于,所述步骤(5),所述加权计算基于历史交通规则的路径行程时间的方法为:对于每条候选路径,根据设置的交通参数结合候选路径中的路段链,查找匹配的历史交通模式,进一步获得该候选路径的所有路段链的道路拥堵级别,再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度vi,最后计算出每条路段链i的行程时间ti=Li/vi,则基于历史交通规则的路径行程时间Th为:Li为路段链i的距离,n为一条候选路径中路段链的条数;
所述加权计算基于默认交通规则的路径行程时间的方法为:对于每条候选路径,根据设置的交通参数结合候选路径中的路段链,查找匹配的默认交通模式,进一步获得该候选路径的所有路段链的道路拥堵级别,再根据路段链的道路拥堵级别获得相应的路段链的车辆平均行驶速度v′i,最后计算出每条路段链i的行程时间t′i=Li/v′i,则基于默认交通规则的路径行程时间Td为:n为一条候选路径中路段链的条数。
7.根据权利要求6所述的一种基于浮动车数据的城市路径行程时间预测方法,其特征在于,所述路段平均行驶速度是指:定义每一道路拥堵级别车辆的平均行驶速度为该拥挤级别的平均速度范围的中间值,具体为:9级拥堵级别车辆的平均行驶速度为2.5km/h,8级拥堵级别车辆的平均行驶速度为8km/h,7级拥堵级别车辆的平均行驶速度为13.5km/h,6级拥堵级别车辆的平均行驶速度为16km/h,5级拥堵级别车辆的平均行驶速度为23km/h,4级拥堵级别车辆的平均行驶速度为28km/h,3级拥堵级别车辆的平均行驶速度为33km/h,2级拥堵级别车辆的平均行驶速度为78km/h,1级拥堵级别车辆的平均行驶速度为50km/h,0级拥堵级别车辆的平均行驶速度定义为60km/h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410431400.8A CN104157142B (zh) | 2014-08-27 | 2014-08-27 | 一种基于浮动车数据的城市路径行程时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410431400.8A CN104157142B (zh) | 2014-08-27 | 2014-08-27 | 一种基于浮动车数据的城市路径行程时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104157142A true CN104157142A (zh) | 2014-11-19 |
CN104157142B CN104157142B (zh) | 2016-08-24 |
Family
ID=51882629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410431400.8A Expired - Fee Related CN104157142B (zh) | 2014-08-27 | 2014-08-27 | 一种基于浮动车数据的城市路径行程时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104157142B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933860A (zh) * | 2015-05-20 | 2015-09-23 | 重庆大学 | 基于gps数据的公交车堵车延误时间预测方法 |
CN105006147A (zh) * | 2015-06-19 | 2015-10-28 | 武汉大学 | 一种基于道路时空关联关系的路段行程时间推断方法 |
CN105387865A (zh) * | 2015-10-16 | 2016-03-09 | 上海博泰悦臻网络技术服务有限公司 | 一种基于交通道路数据的路径规划方法及系统 |
CN105608508A (zh) * | 2015-12-25 | 2016-05-25 | 上海电机学院 | 一种交通最优路线查询方法及系统 |
CN106156531A (zh) * | 2016-08-04 | 2016-11-23 | 复旦大学 | 基于低采样历史轨迹的行程时间估计方法 |
CN106326998A (zh) * | 2015-06-29 | 2017-01-11 | 株式会社日立制作所 | 路径规划方法和路径规划装置 |
CN108648452A (zh) * | 2018-05-15 | 2018-10-12 | 高新兴科技集团股份有限公司 | 一种道路交通状态判断方法及交通态势监控中心 |
CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
CN110276951A (zh) * | 2019-06-26 | 2019-09-24 | 朱志强 | 一种基于移动互联网交通拥堵预警方法 |
CN110444009A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测系统 |
CN111832628A (zh) * | 2020-06-23 | 2020-10-27 | 东南大学 | 一种基于双数据源融合的老城边缘区范围划定方法 |
CN112309132A (zh) * | 2020-03-13 | 2021-02-02 | 窦翠云 | 大数据雪天环境信息管理系统 |
CN117689298A (zh) * | 2024-02-02 | 2024-03-12 | 瑞熙(苏州)智能科技有限公司 | 一种基于北斗导航的物流运输信息化管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090037086A1 (en) * | 2005-07-18 | 2009-02-05 | Dieter Kolb | Method for equalizing traffic flows and for avoiding and resolving congestion |
US20100106539A1 (en) * | 2008-10-23 | 2010-04-29 | Kenefic Richard J | Method and system for fast local search and insertion heuristics for vehicle routing |
CN101794512A (zh) * | 2009-12-30 | 2010-08-04 | 北京世纪高通科技有限公司 | 旅行时间预测的方法及装置 |
CN102930718A (zh) * | 2012-09-20 | 2013-02-13 | 同济大学 | 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 |
CN103065469A (zh) * | 2012-12-14 | 2013-04-24 | 中国航天系统工程有限公司 | 行程时间的确定方法和装置 |
CN103679300A (zh) * | 2013-12-30 | 2014-03-26 | 北京世纪高通科技有限公司 | 一种时间预测方法及装置 |
-
2014
- 2014-08-27 CN CN201410431400.8A patent/CN104157142B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090037086A1 (en) * | 2005-07-18 | 2009-02-05 | Dieter Kolb | Method for equalizing traffic flows and for avoiding and resolving congestion |
US20100106539A1 (en) * | 2008-10-23 | 2010-04-29 | Kenefic Richard J | Method and system for fast local search and insertion heuristics for vehicle routing |
CN101794512A (zh) * | 2009-12-30 | 2010-08-04 | 北京世纪高通科技有限公司 | 旅行时间预测的方法及装置 |
CN102930718A (zh) * | 2012-09-20 | 2013-02-13 | 同济大学 | 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 |
CN103065469A (zh) * | 2012-12-14 | 2013-04-24 | 中国航天系统工程有限公司 | 行程时间的确定方法和装置 |
CN103679300A (zh) * | 2013-12-30 | 2014-03-26 | 北京世纪高通科技有限公司 | 一种时间预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
WENTING LIU 等: "Travel time prediction of road network based on muti-source data fusion", 《2012 INTERNATIONAL CONFERENCE ON MECHATRONICS AND INTENLLIGENT MATERIALS》, vol. 490495, 31 December 2012 (2012-12-31), pages 850 - 854 * |
刘文婷 等: "基于空间网络的移动对象的持续密度预测", 《计算机工程与设计》, vol. 31, no. 3, 28 February 2010 (2010-02-28), pages 663 - 666 * |
毕松 等: "城市路网路段行程时间预测研究综述", 《计算机仿真》, vol. 31, no. 7, 31 July 2014 (2014-07-31), pages 157 - 160 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933860B (zh) * | 2015-05-20 | 2017-07-11 | 重庆大学 | 基于gps数据的公交车堵车延误时间预测方法 |
CN104933860A (zh) * | 2015-05-20 | 2015-09-23 | 重庆大学 | 基于gps数据的公交车堵车延误时间预测方法 |
CN105006147A (zh) * | 2015-06-19 | 2015-10-28 | 武汉大学 | 一种基于道路时空关联关系的路段行程时间推断方法 |
CN106326998A (zh) * | 2015-06-29 | 2017-01-11 | 株式会社日立制作所 | 路径规划方法和路径规划装置 |
CN105387865A (zh) * | 2015-10-16 | 2016-03-09 | 上海博泰悦臻网络技术服务有限公司 | 一种基于交通道路数据的路径规划方法及系统 |
CN105608508A (zh) * | 2015-12-25 | 2016-05-25 | 上海电机学院 | 一种交通最优路线查询方法及系统 |
CN106156531A (zh) * | 2016-08-04 | 2016-11-23 | 复旦大学 | 基于低采样历史轨迹的行程时间估计方法 |
CN110444009A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测系统 |
CN108648452A (zh) * | 2018-05-15 | 2018-10-12 | 高新兴科技集团股份有限公司 | 一种道路交通状态判断方法及交通态势监控中心 |
CN109035761A (zh) * | 2018-06-25 | 2018-12-18 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
CN109035761B (zh) * | 2018-06-25 | 2021-06-04 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
CN110276951A (zh) * | 2019-06-26 | 2019-09-24 | 朱志强 | 一种基于移动互联网交通拥堵预警方法 |
CN110276951B (zh) * | 2019-06-26 | 2020-11-13 | 朱志强 | 一种基于移动互联网交通拥堵预警方法 |
CN112309132A (zh) * | 2020-03-13 | 2021-02-02 | 窦翠云 | 大数据雪天环境信息管理系统 |
CN112309132B (zh) * | 2020-03-13 | 2021-06-04 | 上海旺链信息科技有限公司 | 大数据雪天环境信息管理系统 |
CN111832628A (zh) * | 2020-06-23 | 2020-10-27 | 东南大学 | 一种基于双数据源融合的老城边缘区范围划定方法 |
CN117689298A (zh) * | 2024-02-02 | 2024-03-12 | 瑞熙(苏州)智能科技有限公司 | 一种基于北斗导航的物流运输信息化管理方法及系统 |
CN117689298B (zh) * | 2024-02-02 | 2024-05-03 | 瑞熙(苏州)智能科技有限公司 | 一种基于北斗导航的物流运输信息化管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104157142B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104299442B (zh) | 一种基于模式匹配的城市路径行程时间预测方法 | |
CN104157142B (zh) | 一种基于浮动车数据的城市路径行程时间预测方法 | |
CN104408958B (zh) | 一种城市动态路径行程时间预测方法 | |
CN104269059B (zh) | 一种基于多源数据融合的城市路径行程时间预测方法 | |
CN108564226B (zh) | 一种基于出租车gps及手机信令数据的公交线路优化方法 | |
CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN102509470B (zh) | 基于动态路径规划实现车辆节能减排的系统和方法 | |
US7755509B2 (en) | Use of pattern matching to predict actual traffic conditions of a roadway segment | |
KR100702852B1 (ko) | 과거 및 실시간 교통정보를 이용하여 교통상황의 예측 및동적경로 안내를 제공하는 방법 및 시스템 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN105489000A (zh) | 一种夜班公交车站点及路径选择方法 | |
CN103177561B (zh) | 公交实时路况的生成方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104123833A (zh) | 一种道路状况的规划方法和装置 | |
CN102436466A (zh) | 基于gis分类的公交换乘查询方法 | |
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 | |
CN103278168A (zh) | 一种面向交通热点规避的路径规划方法 | |
CN101770690A (zh) | 交通状况预测装置及经路探索装置 | |
CN103310651A (zh) | 一种基于实时路况信息的公交到站预测方法 | |
CN105096622A (zh) | 一种基于车路通信的动态路径诱导方法 | |
CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN106816009A (zh) | 高速公路实时交通拥堵路况检测方法及其系统 | |
CN102956105B (zh) | 一种浮动车样本点数据插值的方法 |
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: 20160824 Termination date: 20190827 |
|
CF01 | Termination of patent right due to non-payment of annual fee |