CN104408924A - 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 - Google Patents
一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 Download PDFInfo
- Publication number
- CN104408924A CN104408924A CN201410734980.8A CN201410734980A CN104408924A CN 104408924 A CN104408924 A CN 104408924A CN 201410734980 A CN201410734980 A CN 201410734980A CN 104408924 A CN104408924 A CN 104408924A
- Authority
- CN
- China
- Prior art keywords
- road
- state
- link
- probability
- period
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,是从大规模车辆GPS轨迹数据中检测出异常交通流的方法,该方法分为异常交通流建模和在线实时检测两部分内容。通过异常交通流建模获得与道路交通流状态和交通流量之间概率关系、以及与道路状态之间相互影响的概率关系。在在线实时检测过程中结合异常交通流建模参数计算实时车辆GPS轨迹数据的流量似然度,当似然度低于给定阈值时,认为发生了异常。本发明使用基于CHMM模型来检测车辆GPS轨迹数据中的异常交通流,能够充分利用道路的拓扑信息;本发明针对道路交通特点,在CHMM模型中引入了线性耦合系数,能够在时间、空间上都十分高效的检测出道路上的异常交通流。
Description
技术领域
本发明旨在从大规模车辆GPS(全球定位系统Global Positioning System)轨迹数据中检测异常的道路交通流,是对交通管理部门的中心计算机中的道路交通信息的数据挖掘技术领域。
背景技术
目前交通管理部门的中心计算机中的道路交通信息至少有,通过全球定位系统(Global Positioning System,GPS)采集到的车辆轨迹数据。
传统交通流理论为解释交通现象提出了诸多交通模型,这些模型中包括多种交通流参数,诸如车辆速度、车流密度、道路交通量等等,因此为了检验模型,就需要采集大量精准的交通数据,作为诸交通流参数的实际数值代入模型中进行运算,但是采集精准的交通数据颇为不易,代价昂贵。如今,随着车载传感器的普及,许多车辆上安装了GPS卫星传感器,可以按照一定频率采集车辆的位置信息,将这些位置信息按照时间先后组织起来,能得到车辆的行驶轨迹信息。称由车载GPS卫星传感器上传的车辆位置信息序列数据为车辆GPS轨迹数据。这类数据包含的信息很单一,不能支撑传统交通学中精确的模型,却可使用计算机领域数据挖掘算法,对道路交通流进行建模和研究,成为数据挖掘领域的一大新兴热点。
交通拥堵是严重影响人们生活的一大问题,也是交通学研究的重要内容。然而,学界兴起车辆轨迹数据挖掘研究以来,众多研究旨在预测行程时间、推荐行驶路线,使用车辆GPS轨迹数据研究交通拥堵的尚不多见。这是因为,数据挖掘诸方法是从大规模数据中寻找数据的总体模式,而交通拥堵是特殊的交通现象,是车辆GPS轨迹数据中的异常部分,因而不能直观地应用已有方法。已有的相关研究中,从车辆GPS轨迹中检测异常交通流的方法可分为两类:第一类方法直接检验单条道路上实际采集得到的交通流量与该道路历史平均交通流量之间的差距,若差距大于某一定程度,则认为是异常的交通流;第二类方法同时考察若干道路上的交通流量,并假设这些道路上的交通流量相互间存有统计规律,而当这些道路上实际的交通流量分配明显异于历史平均的分配情况时,认为出现了异常。这些方法的共同缺憾在于,它们都只研究了数据中各交通量的数值与总体均值的差异,没有利用道路交通内在的规律特征。
发明内容
为了对交通管理部门的中心计算机中的车辆GPS轨迹数据进行本发明道路交通的异常交通流检测,在CHMM模型中引入状态变量之间线性耦合关系,使得基于CHMM模型能够在多项式时间内检测异常道路交通流。
本发明提出的一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,分为异常交通流建模和在线实时检测两部分内容。在异常交通流建模过程中,一方面用于得到与道路交通流状态和交通流量之间概率关系的状态-平均流量和先验概率 另一方面用于得到与道路之间状态影响有关的状态转移概率和线性耦合系数在在线实时检测过程中,依据实时道路流量统计信息以及异常交通流建模结果,得到各条道路上流量的异常程度;最后依据异常程度的高低判断道路交通流是否出现异常。
在本发明中,异常交通流建模的步骤有:
步骤一:时间段划分;
在本发明中,从提取交通流量的开始时间至结束时间记为T(简称为总时间),当使用长度为τ的单位时间对所述的T进行等长划分称为时间段,即T={t1,t2,…,tj-1,tj,tj+1,…,tl},j,l表示时间段的标识号,t1表示第一个时间段,t2表示第二个时间段,tj-1表示时间段tj的前一个时间段(简称为前一个时间段),tj表示当前一个时间段,也称为任意一个时间段,tj+1表示时间段tj的后一个时间段(简称为后一个时间段),tl表示最后一个时间段。
步骤二:统计各个时间段下各个道路的交通流量;
本发明中,对于任意一时间段tj,任意一道路RoadM拥有一个状态变量和一个观察变量所述观察变量是指道路RoadM在时间段tj里统计得到的交通流量,而交通流量是行驶于道路RoadM上的车辆数目。
对于任意一道路RoadM在总时间T的所有观察变量记为
对于所有道路在总时间T的所有观察变量记为
在本发明中,应用任意一道路RoadM来表征城市道路,通过步骤三和步骤四的处理能够引证到所有的城市道路上。
步骤三:进行道路交通流状态和交通流量之间概率关系的获取;
在本发明的步骤三中,分别记先后两次迭代计算得到的状态-流量似然值为lh_bmold和lh_bmnew;设置状态-流量阈值为ε-BM,且ε-BM>0;所述的ε-BM是用来衡量lh_bmold和lh_bmnew之间的差别是否为足够小。
在本发明中,当差别足够小时,认为迭代收敛了。
步骤301:初始化状态-平均流量
通过任意道路RoadM在总时间T内的车辆GPS轨迹数据中统计得出的最大流量 最小流量然后采用 得到初始化的状态-平均流量执行步骤302;
步骤302:初始化状态先验概率
任意道路RoadM处于状态StateN下的初始化状态先验概率为执行步骤303;
步骤303:依据状态-平均流量与观察变量计算,得到状态-观测概率!表示阶乘运算,e为自然底数;执行步骤304;
步骤304:依据状态先验概率和状态-观测概率计算,得到道路交通流状态后验概率分布的充分统计量执行步骤305;
步骤305:依据道路交通流状态后验概率分布的充分统计量和道路的流量 计算,更新状态-平均流量为 执行步骤306;
步骤306:依据道路交通流状态后验概率分布的充分统计量计算,更新状 态先验概率为 执行步骤307;
步骤307:依据状态先验概率和状态-观测概率计算,得到本次迭代的状态-流量概率分布似然值
若不是第一次执行步骤307,则执行时步骤308;若是第一次执行步骤307,则执行步骤309;
步骤308:若lh_bmnew-lh_bmold<ε-BM,则结束步骤三;若lh_bmnew-lh_bmold≥ε-BM,执行步骤309;
步骤309:依据本次迭代的状态-流量概率似然值lh_bmnew更新上次迭代的状态-流量概率似然值lh_bmold。返回执行步骤303,进入下一次的步骤三迭代。
步骤四:进行相邻道路交通流状态转移概率关系的获取;
在本发明的步骤四中,分别记前后两次迭代计算得到的道路模型似然值为lh_clold和lh_clnew;设置道路模型阈值为ε-CL,满足ε-CL>0;所述道路模型阈值ε-CL用来衡量lh_clold和lh_clnew之间的差别是否为足够小。
在本发明中,当差别足够小时,认为迭代收敛了。
步骤401:初始化状态转移概率;
任意道路RoadM的任意一条相邻道路处于状态下并使得道路RoadM处于状态stateN的初始化状态转移概率为执行步骤402;
步骤402:初始化线性耦合系数
任意道路RoadM的所有相邻道路中,任意一相邻道路对道路RoadM的影响占有的初始化权重为执行步骤403;
步骤403:依据状态-平均流量与观察变量计算,得到状态-观测概率其中!表示阶乘运算,e为自然底数;执行步骤404;
步骤404:依据任意道路RoadM在t1时段的状态-观测概率及状态先验概率 计算,得到初始状态分布 执行步骤405;
步骤405:依据任意道路RoadM在t1时段的状态-观测概率及初始状态分布 计算,得到任意道路RoadM在t1时段的联合概率变量 执行步骤406;
步骤406:设置当前的时间段标号j=1,执行步骤407。
步骤407:依据任意道路RoadM在tj时段的联合概率变量计算,得到任意道路RoadM在tj时段的流量概率变量执行步骤408;
步骤408:依据任意道路RoadM在tj时段的联合概率变量及流量概率变量 计算,得到任意道路RoadM在tj时段的前向概率变量执行步骤409;
步骤409:若当前时间段标号j<l,则执行步骤410;若当前时间标号j=l,则执行步骤412;
步骤410:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数在tj时段的前向概率变量状态转移概率以及在tj+1时段的状态-观测概率计算,得到道路RoadM在tj+1时段的联合概率变量 执行步骤411;
步骤411:将当前时间标号j增加1,执行步骤407;
步骤412:对于任意道路RoadM及任意状态StateN,初始化任意道路RoadM在时间段T下的后向概率变量为执行步骤413;
步骤413:设置当前时间段标号为j=l;执行步骤414;
步骤414:若当前时间段标号j>1,则将当前时间段标号减一(j-1),并执行步骤415;否则,若当前时间段标号j=1,执行步骤416;
步骤415:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数状态转移概率以及在tj+1时段的状态-观测概率 流量概率变量计算,得到道路RoadM在当前时间段的后验概率变量为 ;执行步骤412;
步骤416:对于任意道路RoadM和其任意一条相邻道路依据状态转移概率线性耦合系数前向概率变量后向概率变量相邻道路的流量概率变量道路的流量概率变量状态-观测概率计算,得到状态转移后验概率 执行步骤417;
步骤417:更新状态转移概率
对于任意道路RoadM和其任意一条相邻道路依据状态转移后验概率 计算,得到更新的状态转移概率 执行步骤418;
步骤418:更新线性耦合系数
对于任意道路RoadM和其任意一条相邻道路依据更新的状态转移概率 计算,得到更新的线性耦合系数 执行步骤419;
步骤419:依据任意时段tj的流量概率变量计算,得到本次迭代的道路模型似然值若不是第一次执行步骤419,则执行步骤420;若是第一次执行步骤419,则执行步骤421;
步骤420:若lh_clnew-lh_clold<ε-CL,则结束步骤四;否则,若lh_clnew-lh_clold≥ε-CL,则执行步骤421;
步骤421:依据本次迭代计算得出的道路模型似然值lh_clnew更新上次迭代计算得出的道路模型似然值lh_clold;返回执行步骤404,进入下一次的步骤四迭代。
本发明对交通管理部门的中心计算机中的道路交通信息的异常交通流实时检测的步骤有:
在本发明的异常交通流实时检测中,设置了异常程度阈值记为ε-OT,且满足0≤ε-OT≤1。
步骤A:若当前时段标号为j=1,执行步骤B;否则,若当前时间段标号为j>1,执行步骤D。
步骤B:依据任意道路RoadM在t1时段的状态-观测概率及状态先验概率 计算,得到初始状态分布 执行步骤C。
步骤C:依据任意道路RoadM在t1时段的状态-观测概率及初始状态分布 计算,得到任意道路RoadM在t1时段的联合概率变量 执行步骤E。
步骤D:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数 在tj-1时段的前向概率变量状态转移概率以及在tj时段的状态-观测概率计算,得到道路RoadM在tj时段的联合概率变 量 执行步骤E。
步骤E:依据任意道路RoadM在tj时段的联合概率变量计算,得到任意道路RoadM在tj时段的流量概率变量执行步骤F。
步骤F:依据任意道路RoadM在tj时段的联合概率变量及流量概率变量 计算,得到任意道路RoadM在tj时段的前向概率变量执行步骤G。
步骤G:依据线性耦合系数状态转移概率以及当前时段tj的前向概率变量计算,得到状态后验概率 执行步骤H。
步骤H:对于任意道路RoadM,依据道路RoadM的状态-平均流量和当前时段tj的实际流量状态后验概率计算,得到交通流异常程度 其中!表示阶乘运算,e为自然底数;执行步骤I。
步骤I:对于任意道路RoadM,若其在当前时段tj下的交通流异常程度 则判定道路RoadM在时段tj的交通流为异常交通流;
若道路RoadM在当前时段tj下的交通流异常程度则判定道路RoadM在时段tj的交通流为正常交通流,结束异常交通流实时检测。
采用本发明的检测方法具有的效果为:能够以较高检出率实时地检验道路的异常交通流;使用异常程度作为判断道路流量异常的依据,该指标易于直观地实时监控道路的异常情况。
附图说明
图1是一个包含8条道路的道路网络示意图。
图2是本发明实时在线检测异常交通流的流程图。
具体实施方式
下面将结合附图对本发明作详细的说明。
在本发明中,一方面各条道路上的交通状态可视为一随机变量,道路交通规律就是这些随机变量之间的概率关系。另一方面,从车辆GPS轨迹数据中统计得出的道路交通流量不能代表完整的道路交通状况,因而只能视作道路对应的随机变量之外的另一随机变量。本发明综合上述两方面的考察,提出使用耦合隐马尔可夫模型对道路交通建模。耦合隐马尔可夫模型(Coupled Hidden Markov Model,简称CHMM)是一个概率图模型,其中包含两类随机变量:第一类称为状态变量,在本发明中对应道路的交通状态,第二类称为观察变量,在本发明中对应从车辆GPS轨迹数据中统计得到的道路流量。CHMM中,状态变量之间存在概率关系,每个状态变量对应一个观察变量,观察变量的取值条件独立于状态变量的取值,而状态变量自身的取值不能通过测量、采集得出,只能借由CHMM模型中的各个概率关系,使用观察变量的取值计算得出其取值的概率分布。在本发明提出的建模方式中,同样可由从车辆GPS轨迹统计得出道路流量,进而得到各条道路交通状态的概率分布,由该分布又可返回求出道路流量的似然度,即道路上出现如统计得到的流量的可能性,若似然度低于一定值,则认为交通流出现了异常。
本发明提出的异常交通流检验方法,既能够利用CHMM模型对道路网络拓扑的描述,进而得出交通流状态在道路网络结构中的转换规律,又能适应车辆GPS轨迹数据内涵单一的问题。使用本发明检测车辆GPS轨迹数据的异常交通流已是创新,此外,本发明根据道路之间交通流量存在的近似线性关系,在CHMM模型中加入线性耦合系数,使得基于CHMM模型能够在多项式时间内检测异常道路交通流。
本发明是一种基于耦合隐马尔可夫模型的道路异常交通流检测方法,所要解决的是如何从车辆GPS轨迹数据中检测道路异常交通流的技术问题,该方法通过执行计算机程序实现对交通流变化规律的分析,反映的是对道路交通流异常程度的高低,利用的是遵 循交通规律的技术手段,从而实现对道路异常交通流的实时检测,获得提高检测精度的技术效果。
本发明中涉及到的道路,指的是中间不包括任何路口的一条路,车辆不能由道路中间的任何一处驶出、驶入,而只能经由道路两端的路口驶入、驶出。对于存储在交通管理部门的中心计算机中的道路交通场景中的道路总数量记为M,对于任意一条道路的标识记为RoadM。参见图1所示的道路布局示意图,图中,各条道路标识记为:
第一条道路的标识号记为Road1;
第二条道路的标识号记为Road2;
第三条道路的标识号记为Road3;
第四条道路的标识号记为Road4;
第五条道路的标识号记为Road5;
第六条道路的标识号记为Road6;
第七条道路的标识号记为Road7;
第八条道路的标识号记为Road8;
最后一条道路的标识号记为RoadM,为一般性说明,RoadM也称为任意一条道路的标识。
在本发明中,称任意两条有着公共路口的道路为相邻道路,并将道路本身也称为它的相邻道路。所述道路RoadM的相邻道路的集合记为link,即 m表示与其相邻的道路数量,表示道路RoadM的第一条相邻道路,表示道路RoadM的第二条相邻道路, 表示道路RoadM的最后一条相邻道路,也称为任意一条相邻道路。
本发明中,对于存储在交通管理部门的中心计算机中的道路交通场景中的道路交通流状态(简称为状态)为离散值,共有N个,对于任意一个状态的标识记为StateN。例如状态为车辆稀疏、交通通畅、交通繁忙、交通缓慢、交通拥堵等。在所述状态StateN下的道路RoadM的状态-平均流量记为道路RoadM处于状态StateN的先验概率记为对于道路RoadM中所有的先验概率之和为且
对于道路RoadM的相邻道路的道路交通流状态记为相邻道路处于状态下,且使得道路RoadM处于状态StateN的概率记为 (简称为状态转移概率),且满足 并且 在道路RoadM的所有相邻道路中,任意一相邻道路对道路RoadM的影响占有的权重记为 (简称为线性耦合系数),且满足
对于任意道路RoadM和状态StateN以及任意时段tj,存在有:联合概率变量 流量概率变量前向概率变量后向概率变量
是指给定时间段tj之前所有道路上的流量统计值,道路RoadM在时间段T的状态处于StateN,且流量为的概率。
是指给定时间段tj之前所有道路上的流量统计值,道路RoadM在时间段T的流量为的概率。
是指给定时间段tj之前所有道路上的流量统计值,道路RoadM在时间段tj的状态处于StateN的概率。
是指给定道路RoadM在时间段tj的状态处于StateN,时间段tj及以后的所有时间段的所有道路上的流量为统计值的概率。
在本发明中,异常交通流建模的步骤有:
步骤一:时间段划分;
在本发明中,从提取交通流量的开始时间至结束时间记为T(简称为总时间),当使用长度为τ的单位时间对所述的T进行等长划分称为时间段,即T={t1,t2,…,tj-1,tj,tj+1,…,tl},j,l表示时间段的标识号,t1表示第一个时间段,t2表示第二个时间段,tj-1表示时间段tj的前一个时间段(简称为前一个时间段),tj表示当前一个时间段,也称为任意一个时间段,tj+1表示时间段tj的后一个时间段(简称为后一个时间段),tl表示最后一个时间段。
步骤二:统计各个时间段下各个道路的交通流量;
本发明中,对于任意一时间段tj,任意一道路RoadM拥有一个状态变量和一个观察变量所述观察变量是指道路RoadM在时间段tj里统计得到的交通流量,而交通流量是行驶于道路RoadM上的车辆数目。
对于任意一道路RoadM在总时间T的所有观察变量记为 其中:
表示任意一道路RoadM在第一时间段t1的观察变量;
表示任意一道路RoadM在第二时间段t2的观察变量;
表示任意一道路RoadM在第j时间段tj的观察变量;
表示任意一道路RoadM在最后时间段tl的观察变量。
对于所有道路在总时间T的所有观察变量记为 其中:
表示第一条道路Road1在总时间T的所有观察变量;
表示第二条道路Road2在总时间T的所有观察变量;
表示最后一条道路RoadM在总时间T的所有观察变量。
在本发明中,应用任意一道路RoadM来表征城市道路,通过步骤三和步骤四的处理能够引证到所有的城市道路上。
步骤三:进行道路交通流状态和交通流量之间概率关系的获取;
在本发明的步骤三中,分别记先后两次迭代计算得到的状态-流量似然值为lh_bmold和lh_bmnew;设置状态-流量阈值为ε-BM,且ε-BM>0;所述的ε-BM是用来衡量lh_bmold和lh_bmnew之间的差别是否为足够小。
在本发明中,当差别足够小时,认为迭代收敛了。
步骤301:初始化状态-平均流量
通过任意道路RoadM在总时间T内的车辆GPS轨迹数据中统计得出的最大流量 最小流量然后采用 得到初始化的状态-平均流量执行步骤302;
步骤302:初始化状态先验概率
任意道路RoadM处于状态StateN下的初始化状态先验概率为执行步骤303;
步骤303:依据状态-平均流量与观察变量计算,得到状态-观测概率!表示阶乘运算,e为自然底数;执行步骤304;
步骤304:依据状态先验概率和状态-观测概率计算,得到道路交通流状态后验概率分布的充分统计量执行步骤305;
步骤305:依据道路交通流状态后验概率分布的充分统计量和道路的流量 计算,更新状态-平均流量为 执行步骤306;
步骤306:依据道路交通流状态后验概率分布的充分统计量计算,更新状态先验概率为 执行步骤307;
步骤307:依据状态先验概率和状态-观测概率计算,得到本次迭代的状态-流量概率分布似然值
若不是第一次执行步骤307,则执行时步骤308;若是第一次执行步骤307,则执行步骤309;
步骤308:若lh_bmnew-lh_bmold<ε-BM,则结束步骤三;若lh_bmnew-lh_bmold≥ε-BM,执行步骤309;
步骤309:依据本次迭代的状态-流量概率似然值lh_bmnew更新上次迭代的状态-流量概率似然值lh_bmold。返回执行步骤303,进入下一次的步骤三迭代。
步骤四:进行相邻道路交通流状态转移概率关系的获取;
在本发明的步骤四中,分别记前后两次迭代计算得到的道路模型似然值为lh_clold和lh_clnew;设置道路模型阈值为ε-CL,满足ε-CL>0;所述道路模型阈值ε-CL用来衡量lh_clold和lh_clnew之间的差别是否为足够小。
在本发明中,当差别足够小时,认为迭代收敛了。
步骤401:初始化状态转移概率;
任意道路RoadM的任意一条相邻道路处于状态下并使得道路RoadM处于状态stateN的初始化状态转移概率为执行步骤402;
步骤402:初始化线性耦合系数
任意道路RoadM的所有相邻道路中,任意一相邻道路对道路RoadM的影响占有的初始化权重为执行步骤403;
步骤403:依据状态-平均流量与观察变量计算,得到状态-观测概率其中!表示阶乘运算,e为自然底数;执行步骤404;
步骤404:依据任意道路RoadM在t1时段的状态-观测概率及状态先验概率 计算,得到初始状态分布 执行步骤405;
步骤405:依据任意道路RoadM在t1时段的状态-观测概率及初始状态分布 计算,得到任意道路RoadM在t1时段的联合概率变量 执行步骤406;
步骤406:设置当前的时间段标号j=1,执行步骤407。
步骤407:依据任意道路RoadM在tj时段的联合概率变量计算,得到任意道路RoadM在tj时段的流量概率变量执行步骤408;
步骤408:依据任意道路RoadM在tj时段的联合概率变量及流量概率变量 计算,得到任意道路RoadM在tj时段的前向概率变量执行步骤409;
步骤409:若当前时间段标号j<l,则执行步骤410;若当前时间标号j=l,则执行步骤412;
步骤410:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数在tj时段的前向概率变量状态转移概率以及在tj+1时段的状态-观测概率计算,得到道路RoadM在tj+1时段的联合概率变量 执行步骤411;
步骤411:将当前时间标号j增加1,执行步骤407;
步骤412:对于任意道路RoadM及任意状态StateN,初始化任意道路RoadM在时间段T下的后向概率变量为执行步骤413;
步骤413:设置当前时间段标号为j=l;执行步骤414;
步骤414:若当前时间段标号j>1,则将当前时间段标号减一(j-1),并执行步骤415;否则,若当前时间段标号j=1,执行步骤416;
步骤415:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数状态转移概率以及在tj+1时段的状态-观测概率 流量概率变量计算,得到道路RoadM在当前时间段的后验概率变量为 ;执行步骤412;
步骤416:对于任意道路RoadM和其任意一条相邻道路依据状态转移概率线性耦合系数前向概率变量后向概率变量相邻道路的流量概率变量道路的流量概率变量状态-观测概率计算,得到状态转移后验概率 执行步骤417;
步骤417:更新状态转移概率
对于任意道路RoadM和其任意一条相邻道路依据状态转移后验概率 计算,得到更新的状态转移概率 执行步骤418;
步骤418:更新线性耦合系数
对于任意道路RoadM和其任意一条相邻道路依据更新的状态转移概率 计算,得到更新的线性耦合系数 执行步骤419;
步骤419:依据任意时段tj的流量概率变量计算,得到本次迭代的道路模型似然值若不是第一次执行步骤419,则执行步骤420;若是第一次执行步骤419,则执行步骤421;
步骤420:若lh_clnew-lh_clold<ε-CL,则结束步骤四;否则,若lh_clnew-lh_clold≥ε-CL,则执行步骤421;
步骤421:依据本次迭代计算得出的道路模型似然值lh_clnew更新上次迭代计算得出的道路模型似然值lh_clold;返回执行步骤404,进入下一次的步骤四迭代。
本发明对交通管理部门的中心计算机中的道路交通信息的异常交通流实时检测的步骤有:
在本发明的异常交通流实时检测中,设置了异常程度阈值记为ε-OT,且满足0≤ε-OT≤1。
步骤A:若当前时段标号为j=1,执行步骤B;否则,若当前时间段标号为j>1,执行步骤D。
步骤B:依据任意道路RoadM在t1时段的状态-观测概率及状态先验概率 计算,得到初始状态分布 执行步骤C。
步骤C:依据任意道路RoadM在t1时段的状态-观测概率及初始状态分布 计算,得到任意道路RoadM在t1时段的联合概率变量 执行步骤E。
步骤D:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数 在tj-1时段的前向概率变量状态转移概率以及在tj时段的状态-观测概率计算,得到道路RoadM在tj时段的联合概率变量 执行步骤E。
步骤E:依据任意道路RoadM在tj时段的联合概率变量计算,得到任意道路RoadM在tj时段的流量概率变量执行步骤F。
步骤F:依据任意道路RoadM在tj时段的联合概率变量及流量概率变量 计算,得到任意道路RoadM在tj时段的前向概率变量执行步骤G。
步骤G:依据线性耦合系数状态转移概率以及当前时段tj的前向概率变量计算,得到状态后验概率 执行步骤H。
步骤H:对于任意道路RoadM,依据道路RoadM的状态-平均流量和当前时段tj的实际流量状态后验概率计算,得到交通流异常程度 其中!表示阶乘运算,e为自然底数;执行步骤I。
步骤I:对于任意道路RoadM,若其在当前时段tj下的交通流异常程度 则判定道路RoadM在时段tj的交通流为异常交通流;
若道路RoadM在当前时段tj下的交通流异常程度则判定道路RoadM在时段tj的交通流为正常交通流,结束异常交通流实时检测。
实施例
实施例采用的数据为某城市9天内由12712辆出租车提供的GPS轨迹数据,考察了359条道路,单位时间τ指定为20分钟,状态数量N指定为5,阈值ε-BM、ε-CL均设为0.01,ε-OT在实验中将设置不同值以考察效果。使用前4天的(包含288个单位时间)出租车GPS轨迹数据进行步骤一至步骤四的建模,使用后5天的(包含360个单位时间)出租车GPS轨迹数据检测异常交通流。
在每次实验中,随机选取10条道路,每条道路随机选择一个时间段,将选取的道路在选取的时间段上的统计流量减半。
为了充分检验本发明方法的效果,本实验一共进行了5次,因此总共人为制造了50个异常。以0.003为步长,依次设置ε-OT为0.003、0.006、……、0.027、0.03,每次设定之下本发明方法检测异常交通流的检出率如下表所示。从表中可以得知,随着ε-OT指定值的提高,本发明方法的检出率逐渐提高,在ε-OT指定为0.018时,检出率已经高于80%,而ε-OT位0.03时,已经能检测出全部的异常交通流,由此可以验知本发明方法的可靠性。
表1实验结果
Claims (6)
1.一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,所述交通流是指交通管理部门的中心计算机中的道路交通信息;其特征在于:依据车辆GPS轨迹数据进行异常交通流建模和在线实时检测两部分内容。
2.根据权利要求1所述的基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,其特征在于异常交通流建模的步骤有:
步骤一:时间段划分;
从提取交通流量的开始时间至结束时间记为总时间T,当使用长度为τ的单位时间对所述的T进行等长划分称为时间段,即T={t1,t2,…,tj-1,tj,tj+1,…,tl},j,l表示时间段的标识号,t1表示第一个时间段,t2表示第二个时间段,tj-1表示时间段tj的前一个时间段,tj表示当前一个时间段,也称为任意一个时间段,tj+1表示时间段tj的后一个时间段,tl表示最后一个时间段;
步骤二:统计各个时间段下各个道路的交通流量;
对于任意一时间段tj,任意一道路RoadM拥有一个状态变量和一个观察变量所述观察变量是指道路RoadM在时间段tj里统计得到的交通流量,而交通流量是行驶于道路RoadM上的车辆数目;
对于任意一道路RoadM在总时间T的所有观察变量记为
对于所有道路在总时间T的所有观察变量记为
步骤三:进行道路交通流状态和交通流量之间概率关系的获取;
在步骤三中,分别记先后两次迭代计算得到的状态-流量似然值为lh_bmold和lh_bmnew;
在步骤三中,设置状态-流量阈值为ε-BM,且ε-BM>0;所述的ε-BM是用来衡量lh_bmold和lh_bmnew之间的差别是否为足够小;
步骤301:初始化状态-平均流量
通过任意道路RoadM在总时间T内的车辆GPS轨迹数据中统计得出的最大流量最小流量然后采用 得到初始化的状态-平均流量执行步骤302;
步骤302:初始化状态先验概率
任意道路RoadM处于状态StateN下的初始化状态先验概率为执行步骤303;
步骤303:依据状态-平均流量与观察变量计算,得到状态-观测概率!表示阶乘运算,e为自然底数;执行步骤304;
步骤304:依据状态先验概率和状态-观测概率计算,得到道路交通流状态后验概率分布的充分统计量执行步骤305;
步骤305:依据道路交通流状态后验概率分布的充分统计量和道路的流量计算,更新状态-平均流量为 执行步骤306;
步骤306:依据道路交通流状态后验概率分布的充分统计量计算,更新状态先验概率为 执行步骤307;
步骤307:依据状态先验概率和状态-观测概率计算,得到本次迭代的状态-流量概率分布似然值
若不是第一次执行步骤307,则执行步骤308;
若是第一次执行步骤307,则执行步骤309;
步骤308:若lh_bmnew-lh_bmold<ε-BM,则结束步骤三;若lh_bmnew-lh_bmold≥ε-BM,执行步骤309;
步骤309:依据本次迭代的状态-流量概率似然值lh_bmnew更新上次迭代的状态-流量概率似然值lh_bmold;返回执行步骤303;
步骤四:进行相邻道路交通流状态转移概率关系的获取;
在步骤四中,分别记前后两次迭代计算得到的道路模型似然值为lh_clold和lh_clnew;
在步骤四中,设置道路模型阈值为ε-CL,满足ε-CL>0;所述道路模型阈值ε-CL用来衡量lh_clold和lh_clnew之间的差别是否为足够小;
步骤401:初始化状态转移概率;
任意道路RoadM的任意一条相邻道路处于状态下并使得道路RoadM处于状态stateN的初始化状态转移概率为执行步骤402;
步骤402:初始化线性耦合系数
任意道路RoadM的所有相邻道路中,任意一相邻道路对道路RoadM的影响占有的初始化权重为执行步骤403;
步骤403:依据状态-平均流量与观察变量计算,得到状态-观测概率其中!表示阶乘运算,e为自然底数;执行步骤404;
步骤404:依据任意道路RoadM在t1时段的状态-观测概率及状态先验概率计算,得到初始状态分布 执行步骤405;
步骤405:依据任意道路RoadM在t1时段的状态-观测概率及初始状态分布计算,得到任意道路RoadM在t1时段的联合概率变量 执行步骤406;
步骤406:设置当前的时间段标号j=1,执行步骤407;
步骤407:依据任意道路RoadM在tj时段的联合概率变量计算,得到任意道路RoadM在tj时段的流量概率变量执行步骤408;
步骤408:依据任意道路RoadM在tj时段的联合概率变量及流量概率变量计算,得到任意道路RoadM在tj时段的前向概率变量执行步骤409;
步骤409:若当前时间段标号j<l,则执行步骤410;若当前时间标号j=l,则执行步骤412;
步骤410:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数在tj时段的前向概率变量状态转移概率以及在tj+1时段的状态-观测概率计算,得到道路RoadM在tj+1时段的联合概率变量 执行步骤411;
步骤411:将当前时间标号j增加1,执行步骤407;
步骤412:对于任意道路RoadM及任意状态StateN,初始化任意道路RoadM在时间段T下的后向概率变量为执行步骤413;
步骤413:设置当前时间段标号为j=l;执行步骤414;
步骤414:若当前时间段标号j>1,则将当前时间段标号减一(j-1),并执行步骤415;否则,若当前时间段标号j=1,执行步骤416;
步骤415:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数状态转移概率以及在tj+1时段的状态-观测概率流量概率变量计算,得到道路RoadM在当前时间段的后验概率变量为
步骤416:对于任意道路RoadM和其任意一条相邻道路依据状态转移概率线性耦合系数前向概率变量后向概率变量相邻道路的流量概率变量道路的流量概率变量状态-观测概率计算,得到状态转移后验概率 执行步骤417;
步骤417:更新状态转移概率
对于任意道路RoadM和其任意一条相邻道路依据状态转移后验概率计算,得到更新的状态转移概率 执行步骤418;
步骤418:更新线性耦合系数
对于任意道路RoadM和其任意一条相邻道路依据更新的状态转移概率计算,得到更新的线性耦合系数 执行步骤419;
步骤419:依据任意时段tj的流量概率变量计算,得到本次迭代的道路模型似然值
若不是第一次执行步骤419,则执行步骤420;
若是第一次执行步骤419,则执行步骤421;
步骤420:若lh_clnew-lh_clold<ε-CL,则结束步骤四;否则,若lh_clnew-lh_clold≥ε-CL,则执行步骤421;
步骤421:依据本次迭代计算得出的道路模型似然值lh_clnew更新上次迭代计算得出的道路模型似然值lh_clold;返回执行步骤404。
3.根据权利要求2所述的基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,其特征在于:设置的状态-流量阈值优选为ε-BM=0.01。
4.根据权利要求2所述的基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,其特征在于:设置的道路模型阈值优选为ε-CL=0.01。
5.根据权利要求1所述的基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,其特征在于异常交通流实时检测的步骤有:
设置了异常程度阈值记为ε-OT,且满足0≤ε-OT≤1;
步骤A:若当前时段标号为j=1,执行步骤B;否则,若当前时间段标号为j>1,执行步骤D;
步骤B:依据任意道路RoadM在t1时段的状态-观测概率及状态先验概率计算,得到初始状态分布 执行步骤C;
步骤C:依据任意道路RoadM在t1时段的状态-观测概率及初始状态分布计算,得到任意道路RoadM在t1时段的联合概率变量 执行步骤E;
步骤D:对于任意道路RoadM和其任意一条相邻道路依据线性耦合系数在tj-1时段的前向概率变量状态转移概率以及在tj时段的状态-观测概率计算,得到道路RoadM在tj时段的联合概率变量 执行步骤E;
步骤E:依据任意道路RoadM在tj时段的联合概率变量计算,得到任意道路RoadM在tj时段的流量概率变量执行步骤F;
步骤F:依据任意道路RoadM在tj时段的联合概率变量及流量概率变量计算,得到任意道路RoadM在tj时段的前向概率变量执行步骤G;
步骤G:依据线性耦合系数状态转移概率以及当前时段tj的前向概率变量计算,得到状态后验概率 执行步骤H;
步骤H:对于任意道路RoadM,依据道路RoadM的状态-平均流量和当前时段tj的实际流量状态后验概率计算,得到交通流异常程度 其中!表示阶乘运算,e为自然底数;执行步骤I;
步骤I:对于任意道路RoadM,若其在当前时段tj下的交通流异常程度则判定道路RoadM在时段tj的交通流为异常交通流;
若道路RoadM在当前时段tj下的交通流异常程度则判定道路RoadM在时段tj的交通流为正常交通流,结束异常交通流实时检测。
6.根据权利要求5所述的基于耦合隐马尔可夫模型的城市道路异常交通流检测方法,其特征在于:设置的异常程度阈值优选为ε-OT=0.03。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410734980.8A CN104408924B (zh) | 2014-12-04 | 2014-12-04 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410734980.8A CN104408924B (zh) | 2014-12-04 | 2014-12-04 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408924A true CN104408924A (zh) | 2015-03-11 |
CN104408924B CN104408924B (zh) | 2016-06-01 |
Family
ID=52646550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410734980.8A Expired - Fee Related CN104408924B (zh) | 2014-12-04 | 2014-12-04 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408924B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570062A (zh) * | 2016-10-08 | 2017-04-19 | 中国人民解放军理工大学 | 一种路网轨迹不确定移动对象范围查询系统及方法 |
CN107633681A (zh) * | 2017-06-30 | 2018-01-26 | 天津智芯视界科技有限公司 | 使用多普勒雷达检测非正常事件的方法 |
WO2018122803A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种智能化道路交通异常检测方法 |
CN109284705A (zh) * | 2018-09-07 | 2019-01-29 | 电子科技大学 | 一种交通监控视频的异常检测方法 |
CN109359169A (zh) * | 2018-10-30 | 2019-02-19 | 西南交通大学 | 一种基于概率图模型的共享单车逆行行为实时识别方法 |
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110489871A (zh) * | 2019-08-20 | 2019-11-22 | 东南大学 | 考虑新能源汽车渗透的环境影响评估软件 |
CN110570649A (zh) * | 2018-06-05 | 2019-12-13 | 高德软件有限公司 | 机动车流量检测方法、设备工作状态检测方法及相应装置 |
WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN115296846A (zh) * | 2022-07-06 | 2022-11-04 | 中电信数智科技有限公司 | 一种基于马尔可夫链的异常网络流量回溯方法 |
CN116092056A (zh) * | 2023-03-06 | 2023-05-09 | 安徽蔚来智驾科技有限公司 | 目标识别方法、车辆控制方法、设备、介质及车辆 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140854B2 (en) | 2017-04-03 | 2018-11-27 | Here Global B.V. | Vehicle traffic state determination |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707544A (zh) * | 2005-05-26 | 2005-12-14 | 上海交通大学 | 城市路网交通流状态估计方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN101794383A (zh) * | 2010-03-12 | 2010-08-04 | 清华大学 | 基于隐马尔科夫模型的拥塞交通场景的视频车辆检测方法 |
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN102737502A (zh) * | 2012-06-13 | 2012-10-17 | 天津大学 | 基于gps数据的道路交通流预测方法 |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN103700257A (zh) * | 2013-11-18 | 2014-04-02 | 贵州省交通科学研究院有限责任公司 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
-
2014
- 2014-12-04 CN CN201410734980.8A patent/CN104408924B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1707544A (zh) * | 2005-05-26 | 2005-12-14 | 上海交通大学 | 城市路网交通流状态估计方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN101794383A (zh) * | 2010-03-12 | 2010-08-04 | 清华大学 | 基于隐马尔科夫模型的拥塞交通场景的视频车辆检测方法 |
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN102737502A (zh) * | 2012-06-13 | 2012-10-17 | 天津大学 | 基于gps数据的道路交通流预测方法 |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN103700257A (zh) * | 2013-11-18 | 2014-04-02 | 贵州省交通科学研究院有限责任公司 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
Non-Patent Citations (3)
Title |
---|
SHUNSUKE KAMIJO,等: "INCIDENT DETECTION AT INTERSECTIONS UTILIZING HIDDEN MARKOV MODEL", 《6TH WORLD CONGRESS ON INTELLIGENT TRANSPORTATION SYETEMS》 * |
YUEXIAN ZOU,等: "Image Sequences Based Traffic Incident Detection for Signaled Intersections Using HMM", 《2009 NINTH INTERNATIONAL CONFERENCE ON HYBRID INTELLIGENT SYSTEMS》 * |
胡枫: "基于马尔科夫模型的短时交通流预测研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570062A (zh) * | 2016-10-08 | 2017-04-19 | 中国人民解放军理工大学 | 一种路网轨迹不确定移动对象范围查询系统及方法 |
CN106570062B (zh) * | 2016-10-08 | 2021-01-05 | 中国人民解放军理工大学 | 一种路网轨迹不确定移动对象范围查询系统及方法 |
WO2018122803A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种智能化道路交通异常检测方法 |
CN107633681A (zh) * | 2017-06-30 | 2018-01-26 | 天津智芯视界科技有限公司 | 使用多普勒雷达检测非正常事件的方法 |
CN107633681B (zh) * | 2017-06-30 | 2020-05-29 | 天津智芯视界科技有限公司 | 一种使用多普勒雷达检测非正常事件的方法 |
CN110570649A (zh) * | 2018-06-05 | 2019-12-13 | 高德软件有限公司 | 机动车流量检测方法、设备工作状态检测方法及相应装置 |
CN109284705B (zh) * | 2018-09-07 | 2021-10-26 | 电子科技大学 | 一种交通监控视频的异常检测方法 |
CN109284705A (zh) * | 2018-09-07 | 2019-01-29 | 电子科技大学 | 一种交通监控视频的异常检测方法 |
CN109359169A (zh) * | 2018-10-30 | 2019-02-19 | 西南交通大学 | 一种基于概率图模型的共享单车逆行行为实时识别方法 |
CN109359169B (zh) * | 2018-10-30 | 2021-06-25 | 西南交通大学 | 一种基于概率图模型的共享单车逆行行为实时识别方法 |
WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110245423B (zh) * | 2019-06-14 | 2023-01-31 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110489871A (zh) * | 2019-08-20 | 2019-11-22 | 东南大学 | 考虑新能源汽车渗透的环境影响评估软件 |
CN115296846A (zh) * | 2022-07-06 | 2022-11-04 | 中电信数智科技有限公司 | 一种基于马尔可夫链的异常网络流量回溯方法 |
CN115296846B (zh) * | 2022-07-06 | 2024-04-16 | 中电信数智科技有限公司 | 一种基于马尔可夫链的异常网络流量回溯方法 |
CN116092056A (zh) * | 2023-03-06 | 2023-05-09 | 安徽蔚来智驾科技有限公司 | 目标识别方法、车辆控制方法、设备、介质及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN104408924B (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408924B (zh) | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN104200687B (zh) | 一种驾驶员速度控制行为监测装置及监测方法 | |
CN104850748B (zh) | 一种铁路钢轨折断故障分析预警方法及系统 | |
CN115240431B (zh) | 高速公路收费站交通流量实时在线仿真系统及仿真方法 | |
CN103996287A (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN102881162A (zh) | 大规模交通信息的数据处理及融合方法 | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN107145720A (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN103399281A (zh) | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 | |
CN105844384A (zh) | 一种道路安全评价方法及装置 | |
CN104700630A (zh) | 一种高速公路车流量的监测方法及系统 | |
CN105955233A (zh) | 一种基于数据挖掘的车辆故障诊断方法及系统 | |
CN114239371A (zh) | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 | |
CN103606272A (zh) | 一种基于客流量的快速公交到站时刻预测系统与方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN106157616A (zh) | 一种交通流量短时预测装置 | |
CN107092988B (zh) | 一种专用道公交车辆驻站时间预测方法 | |
CN106033643A (zh) | 一种数据处理方法及装置 | |
CN113935158A (zh) | 一种针对高速公路事故多发点的交通检测器优化布设方法 | |
Wang et al. | Changing lane probability estimating model based on neural network | |
Li et al. | Traffic accident analysis based on C4. 5 algorithm in WEKA | |
Fang et al. | A deep cycle limit learning machine method for urban expressway traffic incident detection | |
Xie et al. | The heterogeneity of capacity distributions among different freeway lanes | |
CN112201041B (zh) | 融合电警数据和抽样轨迹数据的干道路径流量估计方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160601 Termination date: 20161204 |