CN104464321B - 一种基于交通运行指数发展态势的智能交通诱导方法 - Google Patents
一种基于交通运行指数发展态势的智能交通诱导方法 Download PDFInfo
- Publication number
- CN104464321B CN104464321B CN201410787517.XA CN201410787517A CN104464321B CN 104464321 B CN104464321 B CN 104464321B CN 201410787517 A CN201410787517 A CN 201410787517A CN 104464321 B CN104464321 B CN 104464321B
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- road
- model
- developing state
- 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
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Abstract
本发明所述的一种基于交通运行指数发展态势的智能交通诱导方法,该方法中所使用的设备包括城市路网交通信息采集系统,交通运行指数处理服务器,交通运行指数发展态势处理服务器,动态交通诱导方案数据存储服务器,以及发布终端设备,所述各设备之间依顺序信号连接,本发明通过城市路网交通信息采集系统的数据挖掘应用,构建多源异构数据融合模型、及路网交通运行指数模型以及交通运行指数发展态势模型,在交通运行指数分析的基础上进行交通发展态势预测,实现路网环境下的智能交通诱导方案。
Description
技术领域
本发明涉及城市路网交通运行评价和诱导发布技术领域,具体涉及一种基于交通运行指数发展态势的智能交通诱导方法。
背景技术
交通运行指数是城市路网整体交通运行状况的宏观概述,通过整合多源数据,建立数学模型,计算得到路网中各路段的运行车速并生成交通状态,再按各道路的拥堵权重,将市区所有道路的拥堵状况综合集成为一个“交通运行指数”,可以简洁、直观的数字化描述路网交通运行状况。
国内外已经对交通运行指数进行了多项研究,主要基于车流速度、车流密度、交通量和出行时间等参数,综合计算出行时间和延误、道路服务水平、平均行程速度、道路拥堵指数等指标,内涵较为丰富、综合性较强,且应用程度较为广泛。近年来,国内也对城市交通拥堵评价指标进行了初步探索,出台了国家层面的城市道路交通管理评价指标体系,以北京、上海、深州为代表的国内大城市制定了地方性交通拥堵评价指标及标准、交通发展/交通运行年度报告。基于上述情况,所以在交通运行指数的基础上综合分析路网的交通发展趋势,制定交通诱导发布方案,把握全市或者区域交通拥堵的变化趋势和拥堵时空演化规律,了解道路网运行的薄弱环节,为公众出行提供辅助决策依据基于上述情况是很有必要。
发明内容
本发明要解决的技术问题是提供一种基于交通运行指数发展态势的智能交通诱导方法,该方法在交通运行指数的基础上综合分析路网的交通发展趋势,制定交通诱导发布方案,分析交通拥堵的变化和时空演化规律,构建智能交通诱导方案,为政府部门制定长期的拥堵治理措施提供决策依据。
为解决上述技术问题,本发明采用以下技术方案:
一种基于交通运行指数发展态势的智能交通诱导方法,该方法中所使用的设备包括城市路网交通信息采集系统,交通运行指数处理服务器,交通运行指数发展态势处理服务器,动态交通诱导方案数据存储服务器,以及发布终端设备,所述各设备之间依顺序信号连接,该方法包括如下步骤:
(1)利用城市路网交通信息采集系统,基于浮动车和固定点交通信息采集设备,进行多源异构数据融合处理,进行路段交通状态的动态感知,该交通状态包括非常畅通、畅通、缓行、拥挤和拥堵五个级别;
(2)构建交通运行指数模型,基于道路等级分类,聚合分析计算路网整体交通运行指数,形成交通运行指数动态变化趋势线;
(3)构建交通运行指数发展态势模型,综合分析确定目前状态下未来一定时间的交通发展态势,奠定交通预测诱导的基础;
(4)当前路网的交通运行指数以及发展态势信息存入数据库,形成诱导发布内容,发布终端通过调用数据库接口服务进行信息发布。
上述步骤中,通过城市路网交通信息采集系统进行系列分析模型的构建,相关模型需要按顺序执行,首先是构建多源异构数据融合处理模型,再构建路网交通运行指数模型,然后构建交通运行指数发展态势模型,最终实现城市路网整体发展态势的智能交通诱导。
所述多源异构数据融合处理模型构建,是通过对路网各种不同的交通信息采集方式,以及各种不同的交通数据参数进行聚合分析模型融合处理实现。
所述交通信息采集方式包括浮动车信息采集、视频交通信息采集、线圈信息采集以及微波信息采集;所述交通数据参数包括交通流量、速度、密度和占有率。
所述聚合分析模型融合处理是通过对流量、速度、密度和占有率四个参数值进行综合处理判定,并通过四维空间的聚合距离来综合判定状态区间实现。
所述聚合分析模型融合处理包括如下步骤:
(A)通过各种检测器,获取待测点的实时交通参数信息,该信息经所述数据通信设备实时传回后台服务器并进行存储;
(B)对丢失数据进行识别,并对异常数据进行清洗过滤,进行数据归一化处理,提取历史数据进行聚合分析,采用聚合分析法并生成非常畅通、畅通、缓行、拥挤和拥堵五个聚合中心;
(C)根据实时的交通信息,计算与各聚合中心的欧氏距离,比较选取最短的聚合中心,然后自动判定当前时刻的交通拥堵状况;
(D)重新计算各类交通状态的聚合中心,等待下个数据计算,反复迭代,实现交通状态的实时动态提取。
所述步骤(2)中交通运行指数模型构建,是通过对海量数据分析的基础上建立交通运行指数TPI与拥堵里程比例NCR的函数关系模型,实时动态数据更新历史数据库后,并反馈修正模型相关参数实现。
所述步骤(3)中交通运行指数发展态势模型构建,是要在路网交通运行指数参数基础上,进行历史数据的分析预测,通过计算相关信号指数,判定当前路网状态的发展态势,确定交通诱导的内容,形成路网交通的智能交通诱导方案。
所述拥堵里程比例NCR通过提取拥堵路段属性数据,按照道路等级划分,分别计算快速路拥堵里程比例RCRf、主干路拥堵里程比例RCRa、次干路拥堵里程比例RCRm和支路拥堵里程比例RCRl,然后利用车公里数加权求得。
所述快速路拥堵里程比例RCRf通过公式计算得到,主干路拥堵里程比例RCRa通过公式计算得到,次干路拥堵里程比例RCRm通过计算得到,支路拥堵里程比例RCRl通过公式计算得到,路网路段拥堵里程比例NCR,通过公式NCR=RCRf*ω1+RCRa*ω2+RCRm*ω3+RCRl*ω4计算得到,式中ω1,ω2,ω3,ω4分别代表快速路、主干路、次干路和支路的权重值。
所述交通运行指数TPI与拥堵里程比例NCR的模型通过公式实现,其中a=NCR*100,x,y,z,p,m值是道路交通拥堵感受优化参数。
所述步骤(3)中,交通运行指数发展态势模型,包括整理TPI数据曲线,计算模型参量,发展态势分类,发展态势判定。
本发明的有益效果是:1、本发明通过城市路网交通信息采集系统的数据挖掘应用,构建多源异构数据融合模型、及路网交通运行指数模型以及交通运行指数发展态势模型,在交通运行指数分析的基础上进行交通发展态势预测,实现路网环境下的智能交通诱导方案。2、该方法能够将采集到的丰富的实时路况信息及时向社会发布,使实时路况信息高效地服务于公众,满足公众的交通知情权,有效地均衡路网交通流量,缓解道路交通拥挤,能够实现用户单位与其他政府部门和社会单位交通信息的交换与共享,全面提升交通信息化服务能力。3、该方法充分地利用了交通流、速度、密度、占有率等交通参数进行综合处理,提高了城市路网交通运行状态评价和发展态势的准确度,缓解交通拥堵,减少交通事故,改善交通诱导,加快应急事件的救援速度,全面提升公共交通和市民出行服务水平。
附图说明
图1为本发明的工作流程图;
图2图1中所用的系统设备连接示意图;
图3交通运行指数发展态势分析流程图。
具体实施方式
如图1和2所示的一种基于交通运行指数发展态势的智能交通诱导方法,该方法中所使用的设备,包括城市路网交通信息采集系统1,交通运行指数处理服务器2,交通运行指数发展态势处理服务器3,动态交通诱导数据处理服务器4,以及发布终端设备5,各个设备之间依顺序信号连接并进行信号传输,基于以上设备连接后的方法如图2、图3所示,包括以下步骤:
S1:城市路网交通信息采集系统1中包括浮动车和固定点交通信息采集设备,不同采集设备采集交通参数不尽相同,需要进行多源异构数据融合处理,提取路段交通状态的动态感知,包括非常畅通、畅通、缓行、拥挤和拥堵五个级别。
多源异构数据聚合分析技术,利用各种交通检测设施采集的交通参数,对交通流、速度、密度、占有率参数进行综合处理判定,不同于一般的交通状态判定方法,基于路段平均速度划分交通状态区间,使用手段单一,不同检测器之间的判定结果差异性较大;聚合分析方法是基于流量、速度、密度和占有率四个参数值,通过四维空间的聚合距离来综合判定状态区间,模型更加科学和合理,可以提高交通状态提取的准确度。
处理步骤包括如下:
(A)通过各种检测器,如视频、微波、浮动车获取待测点的实时交通参数信息,包括流量、速度、密度和占有率数据,所述信息经所述数据通信设备实时传回后台服务器并进行存储;
(B)初始化聚合中心:对丢失数据进行识别,并对异常数据进行清洗过滤,进行数据归一化处理,提取历史数据进行聚合分析,采用聚合分析法并生成非常畅通、畅通、缓行、拥挤和拥堵五个聚合中心;
(C)根据实时的交通信息,计算与各聚合中心的欧氏距离,比较选取最短的聚合中心,然后自动判定当前时刻的交通拥堵状况;
(D)重新计算各类交通状态的聚合中心,等待下个数据计算,反复迭代,实现交通状态的实时动态提取。
S2:交通运行指数处理服务器2主要是对城市路网交通信息采集系统1中的路段交通状态进行综合处理,利用交通运行指数模型,基于道路等级分类,聚合分析计算路网整体交通运行指数,形成交通运行指数动态变化趋势线。
(a)全路网拥堵里程比例NCR(Network Congestion Rate)
提取路网所有发生拥堵的路段属性数据,按照道路等级划分,分别计算快速路拥堵里程比例RCRf、主干路拥堵里程比例RCRa、次干路拥堵里程比例RCRm和支路拥堵里程比例RCRl,然后利用车公里数加权求得路网路段拥堵里程比例。计算公式如下:
RCR=RCRf*ω1+RCRa*ω2+RCRm*ω3+RCRl*ω4 (5)
ω1,ω2,ω3,ω4分别代表快速路、主干路、次干路和支路的权重值,权重的大小根据各等级道路的日平均车公里数决定,需要海量历史数据拟合分析计算,城市路网大小、交通量大小和时段影响权重的取值,下表1、表2给出了系统初始化的建议值。
表1 权重值推荐表(工作日)
快速路 | 主干路 | 次干路 | 支路 | 合计 | |
高峰时段 | 0.20 | 0.45 | 0.15 | 0.20 | 1.00 |
其他时段 | 0.22 | 0.43 | 0.17 | 0.18 | 1.00 |
表2 权重值推荐表(节假日)
快速路 | 主干路 | 次干路 | 支路 | 合计 | |
全时段 | 0.20 | 0.41 | 0.16 | 0.23 | 1.00 |
(b)全路网交通运行指数TPI(Traffic Performance Index)
基于全路网拥堵里程比例NCR,建立TPI和NCR函数关系模型,
a=NCR*100 (6)
其中x,y,z,p,m值是道路交通拥堵感受优化参数,需要利用调查问卷和数据分析拟合计算,而且不同的道路等级,参数大小也不同,建议系统初始化参考值如表3。
表3 交通运行指数模型参数
(c)交通状态评价等级
按照路网交通运行指数TPI的大小划分当前交通状态等级,如表4所示。
表4 路网交通运行指数分级表
交通运行指数 | [0,2] | (2,4] | (4,6] | (6,8] | (8,10] |
状态评价等级 | 非常畅通 | 畅通 | 缓行 | 拥挤 | 拥堵 |
S3:交通运行指数发展态势处理服务器3主要是对交通运行指数处理服务器2中的数据进行综合处理,利用发展态势模型,分析当前路网状态下未来一定时间的发展趋势,通过以下步骤实现。
(3A)整理TPI数据曲线:整理24小时TPI数据曲线,定义当前时刻的TPI及历史时刻的TPI,TPI数据集S记为S={TPIj,TPIj-1,TPIj-2,...,TPI1,j∈J},j为当前时刻时间标记,J为24小时时间标记总个数。
T-数据周期发布粒度,单位:秒
(3B)计算模型参量:参与模型计算的变量有当前时刻交通运行指数平均值标准方差σj、一阶差分ki以及标准方差均值比λj,
平均值:
标准方差:
一阶差分:k1=TPIj-TPIj-1 (11)
k2=TPIj-1-TPIj-2 (12)
标准方差均值比:
(3C)发展态势分类:基于交通运行指数的发展态势分类如下:
①稳定性上升、②急剧性上升;
③稳定性下降、④急剧性下降;
⑤稳定性波动、⑥急剧性波动。
(4C)发展态势判定:基于决策树的发展态势判定模型,判定方式如下:
第一步k1*k2>0 and k1>0
当λj<A,发展趋势为①:稳定性上升;
当λj≥A,发展趋势为②:急剧性上升;
第二步k1*k2>0 and k1<0
当λj≥B,发展趋势为③:稳定性下降;
当λj<B,发展趋势为④:急剧性下降;
第三步k1*k2≤0
当|λj|<C,发展趋势为⑤:稳定性波动;
当|λj|≥C,发展趋势为⑥:急剧性波动;
其中参数A,B,C根据城市路网和交通流量大小数据确定。
交通运行指数处理服务器2,交通运行指数发展态势处理服务器3,动态交通诱导数据处理服务器4,以及发布终端设备5。
S4:交通诱导数据处理服务器4主要是进行智能交通诱导方案的生成和存储,基于路网交通运行指数和发展态势预测数据,制定智能交通诱导发布内容,诱导方案由五部分组成:时间、区域、交通运行指数、出行建议和交通运行态势。
区域分为全路网运行指数以及分片区路网运行指数,分片区的运行指数主要是各个主城区路网的交通运行状态。
出行建议基于当前区域的实时交通运行指数联动生成,内容如下:
①该区域当前指数为非常畅通等级:“交通运行状况良好,基本没有道路拥堵,千万不要玩命跑,控制车速,安全至上”。
②该区域当前指数为畅通等级:“路况整体良好,车好路好心情好,车辆可以按照道路限速标准行驶”。
③该区域当前指数为轻度拥堵等级:“路况整体不错,局部小堵,让一让道路畅,停一停安全行,平平安安才是路”。
④该区域当前指数为中度拥堵等级:“拥堵指数较高,拥堵现象严重,建议驾驶人员等待缓解后出行;如果已进入拥堵区域请耐心等待,谨慎驾驶,切勿争抢,注意安全”。
⑤该区域指数为严重拥堵等级:“交通运行状况极差,大部分道路拥堵,建议驾驶员更换线路出行;如果已进入拥堵区域请耐心等待,谨慎驾驶,切勿争抢,注意安全”。
S5:进入发布终端5,在处理设备4中提取动态诱导方案,利用终端设备5进行发布公开,开通数据接口为交通管理、公众服务以及交通诱导屏等设备提供数据支持。
本发明充分地利用了城市路网交通运行指数进行数据挖掘分析,构建了基于交通运行指数发展态势的智能交通诱导方案体系,系统方案实施后,可以通过可变信息情报板、停车诱导屏、广播视频媒体、互联网和手机短信等多种形式,实现交通运行指数、交通状态、发展态势的智能诱导,提高市民获得出行服务信息内容的准确性,打破单一广播电台的发布方式,信息的内容也从语音播报变成了图像、视频和文字组成的实时、动态、丰富的交通信息,提升服务质量和服务水平。
本技术领域的普通技术人员应当认识到,以上的实施方式仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围之内,对以上实施例所作的适当改变和变化都落在本发明要求保护的范围之内。
Claims (11)
1.一种基于交通运行指数发展态势的智能交通诱导方法,该方法中所使用的设备包括城市路网交通信息采集系统,交通运行指数处理服务器,交通运行指数发展态势处理服务器,动态交通诱导方案数据存储服务器,以及发布终端设备,所述各设备之间依顺序信号连接,其特征在于:该方法包括如下步骤:
(1)利用城市路网交通信息采集系统,基于浮动车和固定点交通信息采集设备,进行多源异构数据融合处理,进行路段交通状态的动态感知,该交通状态包括非常畅通、畅通、缓行、拥挤和拥堵五个级别;
(2)构建交通运行指数模型,基于道路等级分类,聚合分析计算路网整体交通运行指数,形成交通运行指数动态变化趋势线;
(3)构建交通运行指数发展态势模型,综合分析确定目前状态下未来一定时间的交通发展态势,奠定交通预测诱导的基础;
(4)当前路网的交通运行指数以及发展态势信息存入数据库,形成诱导发布内容,发布终端通过调用数据库接口服务进行信息发布。
2.根据权利要求1所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:通过城市路网交通信息采集系统进行系列分析模型的构建,相关模型需要按顺序执行,首先是构建多源异构数据融合处理模型,再构建路网交通运行指数模型,然后构建交通运行指数发展态势模型,最终实现城市路网整体发展态势的智能交通诱导。
3.根据权利要求2所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述多源异构数据融合处理模型构建,是通过对路网各种不同的交通信息采集方式,以及各种不同的交通数据参数进行聚合分析模型融合处理实现。
4.根据权利要求3所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述交通信息采集方式包括浮动车信息采集、视频交通信息采集、线圈信息采集以及微波信息采集;所述交通数据参数包括交通流量、速度、密度和占有率。
5.根据权利要求3所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述聚合分析模型融合处理是通过对流量、速度、密度和占有率四个参数值进行综合处理判定,并通过四维空间的聚合距离来综合判定状态区间实现;该聚合分析模型融合处理包括如下步骤:
(A)通过各种检测器,获取待测点的实时交通参数信息,实时交通参数信息经数据通信设备实时传回后台服务器并进行存储;
(B)对丢失数据进行识别,并对异常数据进行清洗过滤,进行数据归一化处理,提取历史数据进行聚合分析,采用聚合分析法并生成非常畅通、畅通、缓行、拥挤和拥堵五个聚合中心;
(C)根据实时交通参数信息,计算实时交通参数信息与各聚合中心的欧氏距离,比较选取最短欧式距离对应的聚合中心,然后以此聚合中心判定当前时刻的交通拥堵状况;
(D)重新计算各类交通状态的聚合中心,等待下个数据计算,反复迭代,实现交通状态的实时动态提取。
6.根据权利要求1所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述步骤(2)中交通运行指数模型构建,是通过对海量数据分析的基础上建立交通运行指数TPI与拥堵里程比例NCR的函数关系模型,实时动态数据更新历史数据库后,并反馈修正模型相关参数实现。
7.根据权利要求1所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述步骤(3)中交通运行指数发展态势模型构建,是要在路网交通运行指数参数基础上,进行历史数据的分析预测,通过计算相关信号指数,判定当前路网状态的发展态势,确定交通诱导的内容,形成路网交通的智能交通诱导方案。
8.根据权利要求6所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述拥堵里程比例NCR通过提取拥堵路段属性数据,按照道路等级划分,分别计算快速路拥堵里程比例RCRf、主干路拥堵里程比例RCRa、次干路拥堵里程比例RCRm和支路拥堵里程比例RCRl,然后利用各等级道路的车公里数加权求得。
9.根据权利要求8所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述快速路拥堵里程比例RCRf通过公式计算得到,主干路拥堵里程比例RCRa通过公式计算得到,次干路拥堵里程比例RCRm通过计算得到,支路拥堵里程比例RCRl通过公式计算得到,路网路段拥堵里程比例NCR,通过公式NCR=RCRf*ω1+RCRa*ω2+RCRm*ω3+RCRl*ω4计算得到,式中ω1,ω2,ω3,ω4分别代表快速路、主干路、次干路和支路的权重值。
10.根据权利要求6所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述交通运行指数TPI与拥堵里程比例NCR的函数关系模型通过公式实现,其中a=NCR*100,x,y,z,p,m值是道路交通拥堵感受优化参数。
11.根据权利要求1所述的基于交通运行指数发展态势的智能交通诱导方法,其特征在于:所述步骤(3)中,构建交通运行指数TPI发展态势模型,包括整理交通运行指数TPI数据曲线,计算模型参量,发展态势分类,发展态势判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410787517.XA CN104464321B (zh) | 2014-12-17 | 2014-12-17 | 一种基于交通运行指数发展态势的智能交通诱导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410787517.XA CN104464321B (zh) | 2014-12-17 | 2014-12-17 | 一种基于交通运行指数发展态势的智能交通诱导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104464321A CN104464321A (zh) | 2015-03-25 |
CN104464321B true CN104464321B (zh) | 2017-02-22 |
Family
ID=52910296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410787517.XA Active CN104464321B (zh) | 2014-12-17 | 2014-12-17 | 一种基于交通运行指数发展态势的智能交通诱导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104464321B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715610B (zh) * | 2015-04-09 | 2017-03-15 | 银江股份有限公司 | 一种面向城市交通的交通指数计算方法 |
CN105023434B (zh) * | 2015-07-03 | 2017-04-26 | 信融源大数据科技(北京)有限公司 | 一种高速公路拥堵指数的获取方法 |
CN105185107A (zh) * | 2015-07-23 | 2015-12-23 | 合肥革绿信息科技有限公司 | 一种基于gps的交通运行趋势推测方法 |
CN105139645A (zh) * | 2015-07-23 | 2015-12-09 | 合肥革绿信息科技有限公司 | 一种基于浮动车技术的城市区域路网运行指数评估方法 |
CN105261210B (zh) * | 2015-07-23 | 2017-11-10 | 合肥革绿信息科技有限公司 | 一种基于北斗装备的路段交通拥堵指数计算方法 |
CN106056935A (zh) * | 2016-06-01 | 2016-10-26 | 东莞职业技术学院 | 智能交通诱导系统及方法 |
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及系统 |
CN106781474B (zh) * | 2016-12-21 | 2019-03-12 | 东南大学 | 一种基于交通视频判断交通事故发生地自愈能力的方法 |
CN106683405B (zh) * | 2016-12-28 | 2020-02-14 | 安徽科力信息产业有限责任公司 | 基于道路车流密度的道路交通状态评价方法 |
CN107707419B (zh) * | 2017-03-21 | 2018-06-08 | 贵州白山云科技有限公司 | 一种获取目标地区的互联网发展指数的方法和装置 |
CN109729164B (zh) * | 2018-12-28 | 2021-11-09 | 国汽(北京)智能网联汽车研究院有限公司 | 智能网联汽车计算平台车端与云端运算等级分配方法 |
CN111046968B (zh) * | 2019-12-20 | 2021-09-28 | 电子科技大学 | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 |
CN113259900B (zh) * | 2021-05-27 | 2021-10-15 | 华砺智行(武汉)科技有限公司 | 一种分布式多源异构交通数据融合方法及装置 |
CN114495494B (zh) * | 2022-01-06 | 2023-01-24 | 电子科技大学 | 基于交通流参数预测的交通态势评估方法 |
CN114550452B (zh) * | 2022-02-22 | 2023-05-23 | 公安部道路交通安全研究中心 | 一种道路网结构问题位置识别方法、装置和电子设备 |
CN114639243B (zh) * | 2022-03-31 | 2022-09-27 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法及可读存储介质 |
CN115620522B (zh) * | 2022-10-21 | 2023-08-25 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4506440B2 (ja) * | 2004-12-02 | 2010-07-21 | アイシン・エィ・ダブリュ株式会社 | データ処理装置、情報表示装置及びデータベース作成方法 |
CN100466007C (zh) * | 2005-11-14 | 2009-03-04 | 上海经达实业发展有限公司 | 城市道路交通流预测及交通信息诱导系统 |
JP2009064283A (ja) * | 2007-09-07 | 2009-03-26 | Omron Corp | 交通情報提供システムおよび交通情報提供方法 |
JP2010140135A (ja) * | 2008-12-10 | 2010-06-24 | Panasonic Corp | 交通情報提供システム、交通情報生成サーバ装置、車載用ナビゲーション装置 |
CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测系统及方法 |
CN103632542A (zh) * | 2012-08-27 | 2014-03-12 | 国际商业机器公司 | 交通信息处理方法、装置和相应设备 |
CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
CN103150900B (zh) * | 2013-02-04 | 2015-07-01 | 合肥革绿信息科技有限公司 | 一种基于视频的交通拥堵事件自动检测方法 |
-
2014
- 2014-12-17 CN CN201410787517.XA patent/CN104464321B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104464321A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104464321B (zh) | 一种基于交通运行指数发展态势的智能交通诱导方法 | |
CN104809112B (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN106297291B (zh) | 城市快速路交通信息采集系统 | |
CN107330547A (zh) | 一种城市公交动态调度优化方法及系统 | |
Qiu et al. | Clustering passenger trip data for the potential passenger investigation and line design of customized commuter bus | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN103236163B (zh) | 一种基于群智网络的交通拥堵规避提示系统 | |
CN101819717B (zh) | 基于交通状态时空模型的路网性能判定方法 | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
Guo et al. | The integration of CPS, CPSS, and ITS: A focus on data | |
CN109816976A (zh) | 一种交通管理方法及系统 | |
CN103106787A (zh) | 一种前瞻性解决城市交通拥堵的系统 | |
CN102169524A (zh) | 城市轨道交通网络客流分布的分阶段多路径模型算法 | |
CN101127158A (zh) | 预测交通信息生成方法、预测交通信息生成装置及交通信息显示终端 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN102129771B (zh) | 高速公路网的应急资源自动布局系统 | |
CN106447584A (zh) | 一种面向高速公路网络运营的决策支持系统及其使用方法 | |
CN110266528A (zh) | 基于机器学习的车联网通信的流量预测方法 | |
CN106651027A (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
CN106408984A (zh) | 基于物联网的城市交通流诱导系统 | |
Šemanjski et al. | Smart mobility | |
CN105139670A (zh) | 一种基于视频的区域自优化信号控制方法及装置 | |
CN107085939B (zh) | 一种基于路网等级划分的高速公路vms布局优化方法 | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
CN107644533A (zh) | 基于移动网络数据的高速公路虚拟断面车流量监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
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: 20230904 Address after: 230088 2801, Block B, Zheshang Building, High tech Zone, Hefei City, Anhui Province Patentee after: Ningbo horoma Information Technology Co.,Ltd. Address before: University Science Park B509, No. 602, Mount Huangshan Road, High tech Zone, Hefei, Anhui 230088 Patentee before: HEFEI GELYU INFORMATION TECHNOLOGY Co.,Ltd. |