CN104240499A - 一种基于微波数据的异常拥堵点判别方法 - Google Patents
一种基于微波数据的异常拥堵点判别方法 Download PDFInfo
- Publication number
- CN104240499A CN104240499A CN201410282898.6A CN201410282898A CN104240499A CN 104240499 A CN104240499 A CN 104240499A CN 201410282898 A CN201410282898 A CN 201410282898A CN 104240499 A CN104240499 A CN 104240499A
- Authority
- CN
- China
- Prior art keywords
- data
- microwave
- time
- abnormal
- traffic
- 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
一种基于微波数据的异常拥堵点判别方法,包括如下步骤:步骤1:从数据库读取微波点历史数据;步骤2:原始微波数据预处理;步骤3:计算每个路段各个时间槽内的历史拥堵概率P(H);步骤4:实时计算每个路段当前时间槽内的异常度D;步骤5:全路网当前时间槽内的异常度排序;步骤6:累积时间异常判定:若当前微波点第一个设定时间段出现异常,异常等级设定为黄色,第二个设定时间段出现异常,异常等级设定为橙色,连续第三个设定时间段内出现异常,异常等级设定为红色,即最异常状态;步骤7:历史拥堵概率的更新。本发明有效检测交通异常堵点、提升实时预警的准确性。
Description
技术领域
本发明涉及一种智能交通领域,尤其是一种城市道路拥堵判别方法。
背景技术
随着我国城镇化建设进程的推进和社会经济的快速发展,城市机动车保有量迅速增长,道路拥挤等交通问题日益突出,依据不同的原因可将交通拥堵分为常发性拥堵和异常拥堵。其中,常发性拥堵产生主要是由于上下班时段,出行人群急剧增加,造成了路网的拥堵,常发性拥堵通常是可以预测的,其重要特征是它会在某些固定时间和固定地点反复出现,交管部门会酌情的做好预防工作。异常拥堵是由于交通事故、车辆抛锚、特殊天气等原因造成道路的实际通行能力突变导致的交通拥堵现象,因为没有事先安排的预防性措施,如果不能及时有效地调节处理,则会造成道路拥堵,此时需交警部门需要就近派相关人员到异常堵点疏导交通,把道路拥堵所带来的损失降到最低。异常拥堵随机性很大,无法据一定的周期进行预测。目前以固定型检测器和移动检测器为交通流数据来源的道路拥堵状况判别方法中均没有对异常拥堵点进行研究,已有的技术在选择异常拥堵点时主要凭借交警部门的经验,在处理大数据交通流方面存在较大的难度。
在已公开的专利中,大量专利锁定研究交通状态判别问题例如:专利“201310439736.4”提出一种“基于RFID技术的城市交通拥堵判别方法”,专利“201210507080.0”提出一种“基于断面检测器的城市道路交通状态判别方法”等。这些方法与本技术方案的领域相同,均为智能交通领域,但解决的问题具有本质区别:本技术方案将拥堵分类为常规性拥堵和异常拥堵,着重于检测异常堵点,这些异常堵点可能由于事故等因素导致,交警指挥人员可以根据堵点的异常度高低优先和就近指挥警察进行处置,将有限的警力投放在恰当的位置;而已有的专利201310439736.4和201210507080.0等解决的是拥堵程度分级问题,其结果一般用 于面向交警或公众的总体路况展现,不能直接作为指挥依据,例如:其中的常规性拥堵路段,往往是由于道路交通供需关系不平衡导致,即使交警临场处置,也无实际效果,更何况警力有限。
发明内容
为了克服已有拥堵检测技术的无法检测交通异常堵点、实时预警效果较差的不足,本发明提供了一种有效检测交通异常堵点、提升实时预警的准确性的基于微波数据的异常堵点判别方法。
本发明解决其技术问题所采用的技术方案是:
一种基于微波数据的异常拥堵点判别方法,包括以下步骤:
步骤1:从数据库读取微波点历史数据;
步骤2:原始微波数据预处理:
首先把采集到的流量、速度和占有率值与交通指挥部门根据历史数据得出的阈值进行比较,将阈值范围以外的数据定义为错误数据;对错误数据进行修正,对于不满足理论阈值的数据,用阈值替代错误数据,对于不满足交通流理论的数据,采用历史数据平均的方法进行修正;
对微波雷达所处截面上的所有车道进行检测,并且按照时间顺序分别记录截面上各车道交通数据;
步骤3:计算每个路段各个时间槽内的历史拥堵概率P(H):
当前微波点某个时间槽内的历史拥堵概率计算公式如下:
步骤4:实时计算每个路段当前时间槽内的异常度D:
使用阈值比较的方法判断当天实时交通状况,如果当前车速大于等于设定阈值T则认为该条道路畅通,实时交通状况为不拥堵,记S=0;如果当前车速小于 给定阈值T则认为该条道路拥堵,实时交通状况记为S=1,异常度计算公式如下:
D=S-P(H) (5)
步骤5:全路网当前时间槽内的异常度排序:
计算所有路段当前时间槽内的异常度,然后对所有微波点的异常度进行排序,输出前K个最异常的微波点预警;
步骤6:累积时间异常判定:
若当前微波点第一个设定时间段出现异常,异常等级设定为黄色,第二个设定时间段出现异常,异常等级设定为橙色,连续第三个设定时间段内出现异常,异常等级设定为红色,即最异常状态;
步骤7:历史拥堵概率的更新:
历史拥堵概率更新时保持时间跨度不变,将时间跨度覆盖范围内最早日期的交通拥堵情况与当前的增量交通拥堵情况进行比较,若交通拥堵情况由拥堵变为不拥堵,记K=-1,若交通拥堵情况由不拥堵变为拥堵则记K=1;更新后的历史拥堵概率计算公式如下:
进一步,所述步骤2中,将同一断面,同一时刻不同车道的交通流量进行叠加,将占有率数据进行平均,车道数N为3,具体转换公式如下所示:
(1)车道占有率计算公式:
其中:Occupyi表示各个车道占有率,i=1、2、3,Occupy表示某路段某行驶方向的平均车道占有率,N代表车道数;
(2)流量计算公式:
Volume=Volume1+Volume2+Volume3 (2)
其中:Volumei代表各个车道流量,i=1、2、3,Volume表示某路段某行驶方向的总流量;
(3)速度计算公式:
其中:Speedi表示某车道的行驶速度,i=1、2、3,Speed表示某路段某行驶方向的平均速度。
本发明的技术构思为:通过读取数据库中路网内的历史数据,清洗每个车道中不合理的速度值,将每个路段每个方向上各个车道的信息整合到一起计算出每个路段的历史拥堵概率P(H),选取一天的数据作为测试,计算出当天每条路段的异常度并对所有路段进行异常度排序,输出前K个最异常的点。
本发明的有益效果主要表现在:首次提出并解决交通异常堵点的概念和检测方法,它对有限警力的实时优化投放起着重要的指导作用,它与交通状态分级判别具有本质不同。通过引入历史拥堵概率,首次定义了“异常度”的概念和计算模型,进一步,通过“累积异常”效应,提升实时预警的准确性。提出的方法具有“自学习”性,具体体现在历史拥堵概率的持续更新环节,即使交通组织和道路基础设施发生变化,方法的适用性也不会受到较大影响。
附图说明
图1是基于微波数据的异常拥堵点判别方法的流程图。
图2是原始微波数据预处理流程图。
图3是异常度计算流程图。
图4是历史拥堵概率更新的示意图。
图5是当前微波点全天的历史拥堵概率的示意图。
图6是2013年8月12日61号微波点异常度的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于微波数据的异常拥堵点判别方法,包括以下步骤:
步骤1:从数据库读取微波点历史数据:
连接“杭州路况”数据库,利用PL/SQL从数据库中读取出5分钟时间间隔微波数据,由于做拥堵点的判别只需对路况进行宏观判断,不涉及具体车辆,所以只需要从数据中把速度、流量、车道占有率这样的关键因素提取出来即可。始数据有以下几个特点:
(1)每个微波检测的是同一方向的几个车道上的情况,包括速度、车身特征等;
(2)每个微波以5分钟为时间间隔采集数据,中间存在数据缺失现象,比如某个5分钟没有记录,就变成了10分钟收集一次数据。
(3)对于每个微波每一天的数据,都能各自详细记录。
对于这样的数据,为了方便我们进行拥堵点的判断,需要对数据做预处理。
步骤2:原始微波数据预处理:
由于检测设备的机械故障、自身设计缺陷、安装规范程度或者通信终端等问题,微波雷达获取的交通数据质量难以保证,为了在数据处理之前得到更为可靠的数据,需要对采集到的原始微波数据进行数据清洗、数据恢复等。
首先把采集到的流量、速度和占有率值与交通指挥部门根据历史数据得出的阈值进行比较,将阈值范围以外的数据定义为错误数据,下面以杭州市道路交通流数据为例,给出了具体的错误数据判别规则示例。如表1所示。
表1错误数据判别规则示例
依据交通流理论得出的判别规则如表2所示。
表2交通流理论得出的错误数据判别规则示例
根据判别规则得到错误数据后,需要对错误数据进行修正,对于不满足理论阈值的数据,用阈值替代错误数据,对于不满足交通流理论的数据,采用历史数据平均的方法进行修正,比如可以采用当前时刻前三个时刻检测值的平均值进行填补。
本发明采用的微波雷达检测的是一个截面,即对微波雷达所处截面上的所有车道进行检测,并且按照时间顺序分别记录截面上各车道交通数据。在判断每条道路的拥堵点时,只需知道在哪个方向发生拥堵即可,不用具体到某一个车道上,所以对于每个路段不同车道上的数据,我们可以整合成在该方向上一个车道的数据即可。将同一断面,同一时刻不同车道的交通流量进行叠加,将占有率数据进行平均,举例来说,车道数N为3,具体转换公式如下所示:
(1)车道占有率计算公式:
其中:Occupyi表示各个车道占有率,i=1、2、3,Occupy表示某路段某行驶方向的平均车道占有率,N代表车道数;
(2)流量计算公式:
Volume=Volume1+Volume2+Volume3 (2)
其中:Volumei代表各个车道流量,i=1、2、3,Volume表示某路段某行驶方向的总流量;
(3)速度计算公式:
其中:Speedi表示某车道的行驶速度,i=1、2、3,Speed表示某路段某行驶方向的平均速度。
原始微波数据预处理流程图如图2所示。
步骤3:计算每个路段各个时间槽内的历史拥堵概率P(H):
以杭州市道路交通流数据为例,将一天24小时分为288个5分钟的时间槽,将位于各个路段上每个微波点的历史数据按照288个5分钟时间槽从00:00到23:55的顺序进行排列(其中00:00表示从00:00到00:05这5分钟内的数据),即00:00时间段的数据应当包括本年度第一天00:00时段的历史数据到本年度最后一天00:00时段的历史数据,依据交通指挥部门根据历史数据给出的阈值将5分钟内车速大于等于T的路段认为是畅通,小于T的路段认为拥堵,一般T取15km/h,分别统计当前微波点的288个时间槽内的历史拥堵概率。当前微波点某个时间槽内的历史拥堵概率计算公式如下:
计算其他路段上微波点的各个时间槽内的历史拥堵概率。
步骤4:实时计算每个路段当前时间槽内的异常度D:
使用阈值比较的方法判断当天实时交通状况,如果当前车速大于等于设定阈值T则认为该条道路畅通,实时交通状况为不拥堵,记S=0;如果当前车速小于给定阈值T则认为该条道路拥堵,实时交通状况记为S=1。异常度计算公式如下:
D=S-P(H) (5)
定义异常度概念是为了反映当天道路交通拥堵的异常程度,异常度越高的拥堵点越有可能有突发交通状况,此时需交警部门尽快派相关人员到异常拥堵点疏导交通,把道路拥堵所带来的损失降到最低,异常度低的点可能是正常拥堵点或者是不拥堵点,因为P(H)是该微波点的历史拥堵概率,S取值为1或者0,所以异常度取值区间为[-1,1],异常度值越大表明越异常,值越小则越正常。异常度计算流程图如图3所示。
步骤5:全路网当前时间槽内的异常度排序:
计算所有路段当前时间槽内的异常度,然后对所有微波点的异常度进行排序,输出前K个最异常的微波点预警。
步骤6:累积时间异常判定:
若当前微波点第一个5分钟出现异常,异常等级设定为黄色,第二个5分钟出现异常,异常等级设定为橙色,连续第三个5分钟内出现异常,异常等级设定为红色,即最异常状态。
步骤7:历史拥堵概率的更新:
历史拥堵概率更新时保持时间跨度不变,将时间跨度覆盖范围内最早日期的交通拥堵情况与当前的增量交通拥堵情况进行比较,若交通拥堵情况由拥堵变为不拥堵,记K=-1,若交通拥堵情况由不拥堵变为拥堵则记K=1。历史拥堵概率更新方式如图4所示。
更新后的历史拥堵概率计算公式如下:
本实施例的方法,首次提出异常度概念,通过定义的异常度简单直观的反应出拥堵路段的异常情况,以便交警部门尽快派相关人员到异常拥堵点疏导交通,把道路拥堵所带来的损失降到最低;只需一次计算历史拥堵概率,后续历史概率的更新只需进行增量比较即可完成,整个算法的时间复杂度低,计算量小、运算速度快;当前微波检测器作为固定检测器已经大量应用在包括杭州在内的许多城市中,数据的采集和管理技术已经成熟;鲁棒性强,本方法基于微波雷达检测信息,在恶劣天气下传感器性能仍出色,且通过异常度排序输出前K个最异常的微波点进行预警避免了误报。
实例:采用的数据为微波检测器采集的杭州各个路段上2013年4月-2013年12月期间的交通流数据,检测器分车道同时输出一定统计周期内的检测器编号、检测时间、流量、车道编号、车道占有率、速度等,数据采样间隔为5分钟,具体实施过程如下:
步骤1:连接“杭州路况”数据库,利用PL/SQL从数据库中读取出5分钟时间间隔微波数,WAVE_ID为微波点位编号,标记记录该组数据的微波设备编号,与空间位置关联;DEV_WAY_ID是设备车道编号,标记该记录所测定的车道编号,以此区分各分道以及上下行;TOTAL_FLOW为车道流量,统计该记录观测时间内,总共通过的车辆数量;SPEED是车道平均速度,计算该记录观测时间内,车辆通过的平均速度;OCCUPANCY为车道占有率,即车流占据道路的时间比率,例如t1为轿车占路时间,t2为载货汽车占路时间,以此类推。记录观测时间为T,则时间占有率是∑ti/T,常以百分率表示;COLLECT_TIME为数据采集时间,格式为hh:min,COLLECT_DATE为数据采集日期,格式为yyyy/mm/dd,原始数据如表3所示:
表3
步骤2:由图3可知原始微波数据中第65行流量、平均车速、车道占有率均为零,将流量、车速取当前时刻前三个时刻检测值的平均值进行填补,第66行流量、平均车速为零,车道占有率为99%,根据数据判定规则此数据为合理数据,需保留,修复后数据如表4所示。
62 | 61 | 1 | 2 | 4 | 29 | 10:50 | 2013/4/8 |
63 | 61 | 2 | 11 | 1 | 16.5 | 10:50 | 2013/4/8 |
64 | 61 | 3 | 4 | 10 | 9 | 10:50 | 2013/4/8 |
65 | 61 | 3 | 0 | 0 | 0 | 10:55 | 2013/4/8 |
66 | 61 | 2 | 0 | 0 | 99 | 10:55 | 2013/4/8 |
67 | 61 | 1 | 6 | 7 | 76 | 10:55 | 2013/4/8 |
68 | 61 | 1 | 1 | 8.33 | 97.67 | 11:05 | 2013/4/8 |
69 | 61 | 2 | 0 | 0 | 0 | 11:05 | 2013/4/8 |
70 | 61 | 3 | 0 | 0 | 99 | 11:05 | 2013/4/8 |
71 | 61 | 1 | 11 | 15.33 | 35.67 | 11:10 | 2013/4/8 |
表4
62 | 61 | 1 | 2 | 4 | 29 | 10:50 | 2013/4/8 |
63 | 61 | 2 | 11 | 1 | 16.5 | 10:50 | 2013/4/8 |
64 | 61 | 3 | 4 | 10 | 9 | 10:50 | 2013/4/8 |
65 | 61 | 3 | 5.666667 | 5 | 18.16667 | 10:55 | 2013/4/8 |
66 | 61 | 2 | 0 | 0 | 99 | 10:55 | 2013/4/8 |
67 | 61 | 1 | 6 | 7 | 76 | 10:55 | 2013/4/8 |
68 | 61 | 1 | 1 | 8.33 | 97.67 | 11:05 | 2013/4/8 |
69 | 61 | 2 | 2.333333 | 5.11 | 90.89 | 11:05 | 2013/4/8 |
70 | 61 | 3 | 0 | 0 | 99 | 11:05 | 2013/4/8 |
71 | 61 | 1 | 11 | 15.33 | 35.67 | 11:10 | 2013/4/8 |
表5
将同一断面,同一时刻不同车道的交通流量按照公式(1)到公式(3)分别进行叠加,处理后的数据如表6所示,第1列为微波点位编号,第2列为合并数据后的设备车道编号设为第4车道,第3列为合并数据后的车道流量,第4列是合并数据后的车道平均速度,第5列是合并数据后的车道占有率,第6列为数据采集时间,第7列为数据采集日期。
1 | 61 | 4 | 34 | 49.66667 | 5.333333 | 9:10 | 2013/4/8 |
2 | 61 | 4 | 93 | 47.66667 | 4.833333 | 9:15 | 2013/4/8 |
3 | 61 | 4 | 67 | 34.41667 | 7.583333 | 9:20 | 2013/4/8 |
4 | 61 | 4 | 68 | 34 | 5.4 | 9:25 | 2013/4/8 |
5 | 61 | 4 | 77 | 30.49667 | 10.22333 | 9:30 | 2013/4/8 |
6 | 61 | 4 | 88 | 39.83667 | 5.11 | 9:35 | 2013/4/8 |
7 | 61 | 4 | 93 | 34.72 | 6.666667 | 9:40 | 2013/4/8 |
8 | 61 | 4 | 38 | 23.5 | 13 | 9:45 | 2013/4/8 |
9 | 61 | 4 | 84 | 12.06667 | 27.93333 | 9:50 | 2013/4/8 |
10 | 61 | 4 | 111 | 12.16667 | 28.11 | 9:55 | 2013/4/8 |
表6
步骤3:将经过预处理的微波点数据按照288个5分钟时间槽从00:00到23:55 的顺序进行排列(其中00:00表示从00:00到00:05这5分钟内的数据),每项数据用逗号分隔开,每行数据以\n结尾并以csv文件方式保存,按照公式(4)计算出当前微波点的历史拥堵概率,结果如图5所示,从图中可以看出,当天的历史拥堵概率呈现出早晚高峰的分布情况,上午10:00到11:25拥堵概率大于20%,下午15:25到17:30拥堵概率超过40%。
步骤4:为了排除天气等原因对数据采集精度的影响,需选取晴朗天气测试当天所有微波点的异常拥堵程度,经查询杭州历史天气数据可知2013年8月12日白天和夜间均为晴,气温为28℃到29℃,以2013年8月12日的交通数据作为测试数据使用阈值比较的方法判断当天每5分钟时间槽内的交通拥堵程度,如果当前车速大于等于设定阈值T则认为该条道路畅通,实时交通状况为不拥堵,记S=0;如果当前车速小于给定阈值T则认为该条道路拥堵,实时交通状况记为S=1,经过公式(5)计算出5分钟时间槽内的异常拥堵程度,结果如图6所示。
根据异常度计算公式可知异常度取值区间为[-1,1],异常度值越大表明越异常,比如早高峰时段为上午10:00到11:25之间拥堵概率大于20%,按照异常度来看最异常的时刻出现在11:25,其余时间均为正常拥堵情况,下午15:25到17:30拥堵概率超过40%,最异常时刻出现在17:05,其余时间均为正常拥堵情况。
步骤5:与计算单个微波点全天的异常度方法相同,对杭州路网中的所有微波点重复步骤2到步骤4计算出每个微波点的异常度,然后在每个5分钟时间槽内,对所有异常度进行排序,输出前K个最异常的微波点预警,以便交通管理部门及时地从最近调派警力过去指挥,将拥堵的损失降到最低。
步骤6:设置一个异常度计数器count,当前微波点出现异常时,计数器count=1,若第1个5分钟内出现异常,计数器count=2,若第3个5分钟内出现异常,计数器count=3,使用不同颜色标注异常等级,若count=1设为黄色预警,count=2设为橙色预警,count=3设为红色预警。
步骤7:历史拥堵概率更新时保持时间跨度不变,以杭州道路交通为例,将2013年4月1日拥堵情况与2014年1月1日道路拥堵情况进行比较,若交通拥堵情况由拥堵变为不拥堵,记K=-1,若交通拥堵情况由不拥堵变为拥堵则记K=1,通过公式(6)更新历史拥堵概率,值得强调的是首次计算各个微波点的历史拥堵概率耗时较长,每个微波点的计算耗时为10多分钟,将计算出的微波点历史拥堵概率以文件形式存储于磁盘,若数据库有更新,只需要进行增量计算即可,大大缩短了程序的运行时间。
Claims (2)
1.一种基于微波数据的异常拥堵点判别方法,其特征在于:包括以下步骤:
步骤1:从数据库读取微波点历史数据;
步骤2:原始微波数据预处理:
首先把采集到的流量、速度和占有率值与交通指挥部门根据历史数据得出的阈值进行比较,将阈值范围以外的数据定义为错误数据;对错误数据进行修正,对于不满足理论阈值的数据,用阈值替代错误数据,对于不满足交通流理论的数据,采用历史数据平均的方法进行修正;
对微波雷达所处截面上的所有车道进行检测,并且按照时间顺序分别记录截面上各车道交通数据;
步骤3:计算每个路段各个时间槽内的历史拥堵概率P(H):
当前微波点某个时间槽内的历史拥堵概率计算公式如下:
步骤4:实时计算每个路段当前时间槽内的异常度D:
使用阈值比较的方法判断当天实时交通状况,如果当前车速大于等于设定阈值T则认为该条道路畅通,实时交通状况为不拥堵,记S=0;如果当前车速小于给定阈值T则认为该条道路拥堵,实时交通状况记为S=1;异常度计算公式如下:
D=S-P(H) (5)
步骤5:全路网当前时间槽内的异常度排序:
计算所有路段当前时间槽内的异常度,然后对所有微波点的异常度进行排序,输出前K个最异常的微波点预警;
步骤6:累积时间异常判定:
若当前微波点第一个设定时间段出现异常,异常等级设定为黄色,第二个设定时间段出现异常,异常等级设定为橙色,连续第三个设定时间段内出现异常,异常等级设定为红色,即最异常状态;
步骤7:历史拥堵概率的更新:
历史拥堵概率更新时保持时间跨度不变,将时间跨度覆盖范围内最早日期的交通拥堵情况与当前的增量交通拥堵情况进行比较,若交通拥堵情况由拥堵变为不拥堵,记K=-1,若交通拥堵情况由不拥堵变为拥堵则记K=1;更新后的历史拥堵概率计算公式如下:
2.如权利要求1所述的一种基于微波数据的异常拥堵点判别方法,其特征在于:所述步骤2中,将同一断面,同一时刻不同车道的交通流量进行叠加,将占有率数据进行平均,车道数N为3,具体转换公式如下所示:
(1)车道占有率计算公式:
其中:Occupyi表示各个车道占有率,i=1、2、3,Occupy表示某路段某行驶方向的平均车道占有率,N代表车道数;
(2)流量计算公式:
Volume=Volume1+Volume2+Volume3 (2)
其中:Volumei代表各个车道流量,i=1、2、3,Volume表示某路段某行驶方向的总流量;
(3)速度计算公式:
其中:Speedi表示某车道的行驶速度,i=1、2、3,Speed表示某路段某行驶方向的平均速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410282898.6A CN104240499B (zh) | 2014-06-23 | 2014-06-23 | 一种基于微波数据的异常拥堵点判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410282898.6A CN104240499B (zh) | 2014-06-23 | 2014-06-23 | 一种基于微波数据的异常拥堵点判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104240499A true CN104240499A (zh) | 2014-12-24 |
CN104240499B CN104240499B (zh) | 2016-08-24 |
Family
ID=52228486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410282898.6A Active CN104240499B (zh) | 2014-06-23 | 2014-06-23 | 一种基于微波数据的异常拥堵点判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104240499B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN104766475A (zh) * | 2015-04-09 | 2015-07-08 | 银江股份有限公司 | 一种城市交通瓶颈挖掘方法 |
CN107123264A (zh) * | 2017-05-31 | 2017-09-01 | 温州市鹿城区中津先进科技研究院 | 一种基于交通大数据判断异常拥堵的方法 |
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 |
CN107798876A (zh) * | 2017-11-07 | 2018-03-13 | 上海炬宏信息技术有限公司 | 基于事件的道路交通异常拥堵判断方法 |
CN109949571A (zh) * | 2019-03-19 | 2019-06-28 | 北京百度网讯科技有限公司 | 异常拥堵的判别方法及装置、设备及存储介质 |
CN110264735A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110264715A (zh) * | 2019-06-20 | 2019-09-20 | 大连理工大学 | 一种基于路段突发拥堵分析的交通事件检测方法 |
CN110678820A (zh) * | 2017-05-26 | 2020-01-10 | 三菱电机大楼技术服务株式会社 | 异常重要度计算系统、异常重要度计算装置及异常重要度计算程序 |
CN110782659A (zh) * | 2019-09-09 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、服务器及存储介质 |
CN111028505A (zh) * | 2019-11-28 | 2020-04-17 | 北京世纪高通科技有限公司 | 交通拥堵的治理方法及装置 |
WO2020119593A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备 |
CN111680745A (zh) * | 2020-06-08 | 2020-09-18 | 青岛大学 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
CN112037539A (zh) * | 2020-07-31 | 2020-12-04 | 银江股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
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 |
US11024163B2 (en) | 2017-11-13 | 2021-06-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for monitoring traffic congestion |
CN113643535A (zh) * | 2021-08-02 | 2021-11-12 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN113763711A (zh) * | 2021-10-13 | 2021-12-07 | 深圳联和智慧科技有限公司 | 基于城市管理的无人机交通监控方法及系统 |
CN114495497A (zh) * | 2022-01-19 | 2022-05-13 | 山东大学 | 一种交通异常数据的判别和插补方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244627A1 (en) * | 2006-04-18 | 2007-10-18 | Boss Gregory J | Intelligent Redirection of Vehicular Traffic Due to Congestion and Real-Time Performance Metrics |
US20090138590A1 (en) * | 2007-11-26 | 2009-05-28 | Eun Young Lee | Apparatus and method for detecting anomalous traffic |
CN102938203A (zh) * | 2012-11-06 | 2013-02-20 | 江苏大为科技股份有限公司 | 基于基本交通流参数的道路拥挤状态自动判别方法 |
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 |
-
2014
- 2014-06-23 CN CN201410282898.6A patent/CN104240499B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244627A1 (en) * | 2006-04-18 | 2007-10-18 | Boss Gregory J | Intelligent Redirection of Vehicular Traffic Due to Congestion and Real-Time Performance Metrics |
US20090138590A1 (en) * | 2007-11-26 | 2009-05-28 | Eun Young Lee | Apparatus and method for detecting anomalous traffic |
CN102938203A (zh) * | 2012-11-06 | 2013-02-20 | 江苏大为科技股份有限公司 | 基于基本交通流参数的道路拥挤状态自动判别方法 |
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 (5)
Title |
---|
WEI-HSUN LEE ET AL.: "Discovering Traffic Bottlenecks in an Urban Network by Spatiotemporal Data Mining on Location-Based Services", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
XING-WU WANG ET AL.: "The Detection Algorithm of Anomalous Traffic Congestion Based on Massive Historical Data", 《INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE(ITAIC),2014 IEEE 7TH JOINT INTERNATIONAL》 * |
彭春露等: "城市道路交通异常事件管理系统设计", 《交通与计算机》 * |
朱琳等: "基于浮动车数据的交通拥堵时间维度特征", 《北京交通大学学报》 * |
段飞飞等: "基于微波数据的交通事件检测算法研究", 《PROCEEDINGS OF 2011 INTERNATIONAL CONFERENCE ON ECOLOGICAL PROTECTION OF LAKES‐WETLANDS‐WATERSHED AND APPLICATION OF 3S TECHNOLOGY》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504901B (zh) * | 2014-12-29 | 2016-06-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN104766475A (zh) * | 2015-04-09 | 2015-07-08 | 银江股份有限公司 | 一种城市交通瓶颈挖掘方法 |
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 |
CN110678820B (zh) * | 2017-05-26 | 2022-10-18 | 三菱电机楼宇解决方案株式会社 | 异常重要度计算系统及异常重要度计算装置 |
CN110678820A (zh) * | 2017-05-26 | 2020-01-10 | 三菱电机大楼技术服务株式会社 | 异常重要度计算系统、异常重要度计算装置及异常重要度计算程序 |
CN107123264A (zh) * | 2017-05-31 | 2017-09-01 | 温州市鹿城区中津先进科技研究院 | 一种基于交通大数据判断异常拥堵的方法 |
CN107798876B (zh) * | 2017-11-07 | 2021-09-21 | 上海炬宏信息技术有限公司 | 基于事件的道路交通异常拥堵判断方法 |
CN107798876A (zh) * | 2017-11-07 | 2018-03-13 | 上海炬宏信息技术有限公司 | 基于事件的道路交通异常拥堵判断方法 |
US11024163B2 (en) | 2017-11-13 | 2021-06-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for monitoring traffic congestion |
WO2020119593A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备 |
CN109949571A (zh) * | 2019-03-19 | 2019-06-28 | 北京百度网讯科技有限公司 | 异常拥堵的判别方法及装置、设备及存储介质 |
CN110264715A (zh) * | 2019-06-20 | 2019-09-20 | 大连理工大学 | 一种基于路段突发拥堵分析的交通事件检测方法 |
CN110264735A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110782659A (zh) * | 2019-09-09 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、服务器及存储介质 |
CN110782659B (zh) * | 2019-09-09 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、服务器及存储介质 |
CN111028505A (zh) * | 2019-11-28 | 2020-04-17 | 北京世纪高通科技有限公司 | 交通拥堵的治理方法及装置 |
CN111680745A (zh) * | 2020-06-08 | 2020-09-18 | 青岛大学 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
CN112037539A (zh) * | 2020-07-31 | 2020-12-04 | 银江股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
CN112037539B (zh) * | 2020-07-31 | 2021-11-16 | 银江技术股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
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 |
CN113643535A (zh) * | 2021-08-02 | 2021-11-12 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN113643535B (zh) * | 2021-08-02 | 2023-02-21 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN113763711A (zh) * | 2021-10-13 | 2021-12-07 | 深圳联和智慧科技有限公司 | 基于城市管理的无人机交通监控方法及系统 |
CN113763711B (zh) * | 2021-10-13 | 2022-06-14 | 深圳联和智慧科技有限公司 | 基于城市管理的无人机交通监控方法及系统 |
CN114495497A (zh) * | 2022-01-19 | 2022-05-13 | 山东大学 | 一种交通异常数据的判别和插补方法及系统 |
CN114495497B (zh) * | 2022-01-19 | 2024-01-12 | 山东大学 | 一种交通异常数据的判别和插补方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104240499B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104240499A (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
CN108345666B (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
CN104751642B (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN104715610B (zh) | 一种面向城市交通的交通指数计算方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
Wu et al. | Using high-resolution event-based data for traffic modeling and control: An overview | |
CN104408925A (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN104933860B (zh) | 基于gps数据的公交车堵车延误时间预测方法 | |
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 | |
CN104766475B (zh) | 一种城市交通瓶颈挖掘方法 | |
CN103593976A (zh) | 基于检测器确定道路交通状态的方法及系统 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN102231235A (zh) | 一种交通流异常点检测定位方法 | |
CN104484996A (zh) | 一种基于多源数据的路段交通状态判别方法 | |
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
CN104732762A (zh) | 一种交通异常路段概率识别方法 | |
CN101551945A (zh) | 高速公路交通安全预警方法 | |
CN100481153C (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
CN105654720A (zh) | 基于城市道路拥堵识别的检测器布设方法 | |
CN104464294A (zh) | 一种基于阵列雷达的路段交通状态评价方法及装置 | |
CN103632541B (zh) | 交通事件路链检测与数据填补方法 | |
CN102426783B (zh) | 基于车辆跟踪的低流量道路交通事件检测方法 | |
CN109785627A (zh) | 一种十字路口交通流量监控系统 | |
CN108108859A (zh) | 一种基于大数据分析的交通管理勤务优化方法 | |
CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310012 floor 1, building 1, No. 223, Yile Road, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Yinjiang Technology Co.,Ltd. Address before: 310012 floor 1, building 1, No. 223, Yile Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: ENJOYOR Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |