CN104732762B - 一种交通异常路段概率识别方法 - Google Patents
一种交通异常路段概率识别方法 Download PDFInfo
- Publication number
- CN104732762B CN104732762B CN201510077183.1A CN201510077183A CN104732762B CN 104732762 B CN104732762 B CN 104732762B CN 201510077183 A CN201510077183 A CN 201510077183A CN 104732762 B CN104732762 B CN 104732762B
- Authority
- CN
- China
- Prior art keywords
- speed
- normal distribution
- data
- flow
- microwave point
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种交通异常路段概率识别方法,包括以下步骤:步骤1:清洗车速、流量数据后融合抽样数据构成样本空间;步骤2:车速、流量数据源正态性检验;步骤3:计算各微波点车速、流量的均值和方差;步骤5:车速异常指数和流量异常指数计算,步骤6:异常指数降序排列输出预警,遍历计算全路网中所有微波点当前时间槽内的道路异常指数D,对计算出的异常指数结果按照从大到小排列,输出前K个最异常的路段预警。本发明提供了一种可靠性良好、自适应性较高的交通异常路段概率识别方法。
Description
技术领域
本发明属于智能交通领域,具体涉及一种基于微波数据的实时道路交通异常状况的评估方法,用于引导交通管理者通过视频监控等手段主动核查异常路段的真实交通状况。
背景技术
随着我国经济的快速增长和城镇化进程的不断推进,机动车保有量迅速增长,出行需求不断增加,导致基础设施建设跟不上交通需求量的增加,给交通管理者造成很大的困扰。交管部门针对常发性交通瓶颈会酌情考虑配置警力疏导交通,针对道路施工、恶劣天气、交通事故等不可控原因造成的偶发性道路拥堵情况,需通过人工巡查各个路口的视频监控点确定道路交通状况,以进一步决定是否增派警力消除拥堵因素保持道路畅通,人工视频巡查工作量大,且需要耗费交管部门大量精力。从偶发因素导致道路拥堵开始到交通管理者发现警情并派遣警力疏导交通需经历一段不确定的时间,因偶发性拥堵所带来的损失已无法避免。微波传感器可实时、全天候检测所在路段信息,但目前以微波传感器为数据源的道路异常状况主动识别方法较少,不利于提高交管部门指挥效率。
本方法相比专利201410282898.6提出的“一种基于微波数据的异常拥堵点判别方法”具有明显的技术优势,该专利通过选取固定阈值将交通拥堵状况直接离散化为拥堵和不拥堵两种类型,然后根据当前拥堵情况和历史拥堵概率之间的差异评估异常程度。该专利的离散化过程对问题的刻画过于绝对,例如:若15km/小时以下的流速意味着拥堵,那么15.2km/小时的流速实际上并不意味着畅通。本专利不采用离散化过程,而是基于每条路段的微波数据分别建立车速和流量概率密度模型,通过定义道路的车速异常指数和流量异常指数反应当前路段的路况,最终依据道路异常指数进行排序,其实际运行效果更佳;专利201210438795.5提出“基于基本交通流参数的道路拥堵状态自动判别方法”将车速、流量、占有率作为交通状态判定的依据,最终将交通状态分为畅通、拥挤和堵塞三种状态,本方法重点关注道路异常情况而非拥堵情况,虽然使用的数据相同,但解决的问题不同。
发明内容
为了克服已有道路异常路段识别方法的可靠性较差、自适应性较低的不足,本发明提供了一种可靠性良好、自适应性较高的交通异常路段概率识别方法。
本发明解决其技术问题所采用的技术方案是:
一种交通异常路段概率识别方法,包括以下步骤:
步骤1:清洗车速、流量数据后融合抽样数据构成样本空间
预设流量的先验阈值和车速的先验阈值,清洗、过滤掉阈值范围以外的错误数据,将全天24小时划分为设定时间段的时间槽,以当前实时数据所在的时间槽为依据,从数据库中抽样选取邻近天数的同一时间槽内的车速和流量数据,同时抽样选取邻近天数的相邻设定时间段时间槽内的车速和流量数据,组成各个微波点的样本空间;
步骤2:车速、流量数据源正态性检验
先验证数据源是否符合正态分布,偏度系数描述一个分布偏离正态分布的程度,峰度系数反映了分布曲线相比正态分布在顶端高耸或扁平程度的不同,分别计算微波点在各自样本空间内的偏度系数和峰度系数,根据系数大小判定当前微波点数据是否符合正态分布;
步骤3:计算各微波点车速、流量的均值和方差
经过数据清洗后的(X1,X2,…,Xn)构成微波点X关于车速或流量的一个样本空间,由n个样本点组成,其中计算出样本均值,为样本方差,令总体期望总体方差σ2=S2;
步骤4:将数据源线性变换为关于车速、流量的标准正态分布
x1、x2分别为微波点实时车速和流量,μ1、σ1为根据相应微波点近期车速数据计算出的期望和方差,μ2、σ2为根据相应微波点近期流量数据计算出的期望和方差,则该微波点的近期车速数据X1服从μ1、的正态分布,即该微波点的近期流量数据X2服从μ2、的正态分布,即通过的线性变换,可以分别将车速和流量的一般正态分布变换为标准正态分布,即车速符合y1是标准正态分布下的车速,流量符合y2是标准正态分布下的流量;各个微波点由符合各自的正态分布线性变换为符合标准正态分布,线性变换后各个微波点的概率密度函数相同,均被统一在同一尺度空间下;
步骤5:车速异常指数和流量异常指数计算,
道路综合异常指数为:
D=Dv+Df
定义车速异常指数Dv为:
Dv的取值范围为[0,1],车速异常指数越大说明当前微波点的车速越异常,αv为车速的偏度系数和峰度系数的绝对值之和,αf为流量的偏度系数和峰度系数的绝对值之和,其中φ(y1)为标准正态分布下车速y1的异常概率,
y1为标准正态分布下的车速,(-∞,y1)为车速积分区间,t1为车速积分变量,dt1为车速积分单元;
定义流量异常指数Df为:
Df的取值范围为[0,1],流量异常指数越大说明当前微波点的流量突增,有可能出现异常事件,其中φ(y2)为标准正态分布下流量y2的异常概率,
y2为标准正态分布下的流量,(-∞,y2)为流量积分区间,t2为流量积分变量,dt2为流量积分单元;
步骤6:异常指数降序排列输出预警
遍历计算全路网中所有微波点当前时间槽内的道路异常指数D,对计算出的异常指数结果按照从大到小排列,输出前K个最异常的路段预警。
进一步,所述步骤5)中,线性变换后的微波点车速y1、流量y2数据均符合标准正态分布,线性变换后标准正态分布下的车速反映当前微波点车速x1与平均车速即期望μ1的偏离程度,线性变换后的概率密度函数相同,即为由标准正态分布的概率密度函数可知,微波点车速y1越小于均值μ1,微波点车速y1的分布函数越小;线性变换后标准正态分布下的流量反映当前微波点流量x2与平均流量即期望μ2的偏离程度,线性变换后的概率密度相同,即为由标准正态分布的概率密度函数可知,微波点流量y2越大于均值μ2,标准正态分布下流量y2的分布函数越大。
本发明的技术构思为:本发明通过定义的车速数据源可信度衡量车速异常指数计算结果的有效性,反映出交通指挥部门关心的当前路段车速明显小于历史同期平均车速的路段,主动捕获道路中出现异常拥堵的状况,本专利提出一种新颖的道路流量异常指数概念,通过定义的流量数据源可信度衡量流量异常指数计算结果的有效性,反映出交警指挥部门和相关单位重点关心的由于群众聚集等突发原因导致的路段车流量突增情况,最终通过车速异常指数和流量异常指数定义道路的异常指数综合评价指标,反映出各个路段的异常程度。
本发明的有益效果主要表现在:(1)主动性,本方法提出一种道路异常指数的评估模型,将定义的车速异常指数和流量异常指数通过权重融合,组成定义的道路异常指数反映道路交通异常状况,以便交通管理者在第一时间主动获取道路异常状况并进行核实,尽快调配警力,疏导交通,尽可能的缩短从异常情况发生到交警到达现场的时间;(2)自适应性,本方法设计的道路异常指数具有自适应性,抽样选取当前微波点的近期历史数据,由该样本空间计算得出的均值和方差反映出当前微波点所在路段的近期情况,且随着道路交通组织和基础设施的变化而变化,进而通过具有自调节能力的道路异常指数实时反映路面状况,优化有限警力投放。
附图说明
图1是道路的车速和流量异常指数流程图。
图2是车速y1的概率密度的示意图。
图3是流量y2的概率密度的示意图。
图4是890号微波点当天12:20-12:25实时数据的示意图。
图5是890号微波点12:15-12:25近期历史数据的示意图。
图6是890号微波点近期历史数据的偏度值和峰度值的示意图。
图7是890号微波点车速Q-Q图。
图8是890号微波点的近期样本均值和方差的示意图。
图9是890号微波点车速值正态分布的示意图。
图10是2014年12月5日14:45异常指数排名的示意图。
图11是2014年12月5日14:55异常指数排名
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11,一种交通异常路段概率识别方法,包括如下步骤:
步骤1:清洗车速、流量数据后融合抽样数据构成样本空间
依据历史数据和交管部门经验得出关于流量、车速的先验阈值,清洗、过滤掉阈值范围以外的错误数据,将全天24小时划分为若干个5分钟时间槽,以当前实时数据所在的时间槽为依据,利用SQL语句从数据库中抽样选取近些天同一时间槽内的车速和流量数据,同时抽样选取近些天相邻5分钟时间槽内的车速和流量数据,组成各个微波点的样本空间。
步骤2:车速、流量数据源正态性检验
运用本方法前需先验证数据源是否符合正态分布,偏度系数描述一个分布偏离正态分布的程度,即用来衡量分布是否对称,偏度系数为0说明分布左右对称,偏度系数大于0说明分布相比正态分布右偏,偏度系数小于0说明分布相比正态分布左偏;峰度系数反映了分布曲线相比正态分布在顶端高耸或扁平程度的不同,正态分布情况下,峰度系数为0,峰度系数大于0说明分布曲线顶端比正态分布尖峭,峰度系数小于0说明分布曲线顶端比正态分布扁平。故分别计算微波点在各自样本空间内的偏度系数和峰度系数,根据系数大小判定当前微波点数据是否符合正态分布。
步骤3:计算各微波点车速、流量的均值和方差
经过数据清洗后的(X1,X2,…,Xn)构成微波点X关于车速或流量的一个样本空间,由n个样本点组成,其中可以计算出样本均值,为样本方差,当样本容量足够大时,样本均值趋近于总体期望,样本方差趋近于总体方差,故本发明中令总体期望总体方差σ2=S2。
步骤4:将数据源线性变换为关于车速、流量的标准正态分布
以微波点检测到的车速参数为例,x1为微波点实时车速,μ1、σ1为根据相应微波点近期数据计算出的期望和方差,则该微波点的近期数据X1服从μ1、的正态分布,即通过的线性变换,可以将一般正态分布变换为标准正态分布,即此时y1是标准正态分布下的车速。故各个微波点可由符合各自的正态分布线性变换为符合标准正态分布,由标准正态分布的概率密度函数y1∈(-∞,+∞)可知线性变换后各个微波点的概率密度函数相同,均被统一在同一尺度空间下,为步骤7的异常指数排序打下基础。
基于流量的正态分布线性变换方法类似,x2为微波点实时流量,μ2、σ2为根据相应微波点近期流量数据计算出的期望和方差,则该微波点的近期流量数据X2服从μ2、的正态分布,即通过线性变换,将流量的一般正态分布变换为标准正态分布,y2是标准正态分布下的流量;线性变换后各个微波点的车速、流量概率密度函数相同,均被统一在同一尺度空间下;
步骤5:车速异常指数和流量异常指数计算
本发明定义的道路综合异常指数为:
D=Dv+Df
定义车速异常指数Dv为:
Dv的取值范围为[0,1],车速异常指数越大说明当前微波点的车速越异常,αv为车速的偏度系数和峰度系数的绝对值之和,αf为流量的偏度系数和峰度系数的绝对值之和,其中,φ(y1)为标准正态分布下车速y1的异常概率,
y1为标准正态分布下的车速,(-∞,y1)为车速积分区间,t1为车速积分变量,dt1为车速积分单元。
定义流量异常指数Df为:
Df的取值范围为[0,1],流量异常指数越大说明当前微波点的流量突增,有可能出现异常事件,其中,φ(y2)为标准正态分布下流量y2的异常概率,
y2为标准正态分布下的流量,(-∞,y2)为流量积分区间,t2为流量积分变量,dt2为流量积分单元;
下面对车速异常指数和流量异常指数进行具体阐述:
线性变换后的微波点车速、流量数据均符合标准正态分布,线性变换后标准正态分布下的车速可以反映当前微波点车速x1与平均车速即期望μ1的偏离程度,线性变换后的概率密度函数相同,即为只是车速y1不同。由标准正态分布的概率密度函数可知,车速y1越小于均值μ1,车速y1的分布函数越小,车速变小说明道路由于某种原因发生拥堵,需进行重点关注,如图2中所示黑色面积大小即为车速y1出现异常情况的概率φ(y1);
标准正态分布下流量y2越大于均值μ2,标准正态分布下流量y2的分布函数越大,如图3中黑色面积大小即为标准正态分布下流量y2出现异常情况的概率φ(y2),φ(y2)最大值为1。
由于本发明高度依赖于对给定数据所做的统计模型是否成立,即车速数据源和流量数据源是否符合正态分布,数据源模型越接近正态分布计算结果的可信度越高。偏度系数和峰度系数可以度量分布趋近于正态分布的程度,偏度系数和峰度系数的绝对值越小证明数据源质量越好,接近正态分布的数据源应当给予更高的权重,将车速的偏度系数和峰度系数的绝对值之和记为αv,流量的偏度系数和峰度系数的绝对值之和记为αf,如果αv<αf说明车速数据源的质量比流量数据源的质量好,则车速数据源的可信度为(可信度越大越可信),流量数据源的可信度为若αv>αf说明流量数据源的质量比车速数据源的质量好,则流量数据源的可信度为(可信度越大越可信),车速数据源的可信度为综上所述,车速数据源的可信度为流量数据源的可信度为车速异常只关注车速明显小于平均车速的路段,车速y1越小,车速异常概率φ(y1)越小,所以定义车速异常指数为:
Dv的取值范围为[0,1],车速异常指数越大说明当前微波点的车速越异常,αv为车速的偏度系数和峰度系数的绝对值之和,αf为流量的偏度系数和峰度系数的绝对值之和,其中,φ(y1)为标准正态分布下车速y1的异常概率,
y1为标准正态分布下的车速,(-∞,y1)为车速积分区间,t1为车速积分变量,dt1为车速积分单元;
流量异常只关注流量明显大于平均流量的路段,流量y2越大,流量异常概率φ(y2)越大,所以定义流量异常指数为:
定义流量异常指数Df为:
Df的取值范围为[0,1],流量异常指数越大说明当前微波点的流量突增,有可能出现异常事件,其中,φ(y2)为标准正态分布下流量y2的异常概率,
y2为标准正态分布下的流量,(-∞,y2)为流量积分区间,t2为流量积分变量,dt2为流量积分单元
步骤6:异常指数降序排列输出预警
遍历计算全路网中所有微波点当前时间槽内的道路异常指数D,对计算出的异常指数结果按照从大到小排列,输出前K个最异常的路段预警。
实例:道路异常指数计算方法,包括如下步骤:
步骤1:将全天24小时划分为若干个5分钟时间槽,假设当天数据库中最新的5分钟为12:20-12:25,经过数据清洗后的890号微波点当天实时数据如图4。
WAVE_ID表示微波点编号,与路段相关,DEV_WAY_ID标记不同车道,SPEED为当前车道平均车速,TOTAL_FLOW为当前车道总流量,COLLECT_DATE为数据采集日期,COLLECT_TIME为数据采集时间。经过数据清洗过后的890号微波点近期历史数据如图5所示。
步骤2:以890号微波点的车速数据为例进行数据源的正态性检验,直接计算样本空间下车速的峰度系数和偏度系数,结果如图6所示;
890号微波点的车速偏度系数为0.478说明当前微波点的车速分布较正态分布右偏,峰度系数为-0.548说明当前微波点的车速分布比正态分布陡峭,通过设定合理的阈值可以判断当前数据的分布是否符合正态分布;实验中也可以通过绘制样本数据的Q-Q图鉴别样本是否近似于正态分布,若Q-Q图上的点近似地在一条直线上,且直线的斜率为标准差,截距为均值则说明样本数据符合正态分布。890号微波点的车速数据Q-Q图如图7所示,车速数据源的偏度系数、峰度系数和Q-Q图均说明样本符合正态分布。流量数据的正态性检验方法与车速数据相同。
步骤3:通过 可以分别计算出样本的均值和方差,890号微波点车速样本空间的均值和方差计算结果如图8所示,890号微波点的车速均值和方差分别为μ1=44.6434,
步骤4:890号微波点车速构成的正态分布如图9,通过的线性变换,其中x1=39为890号微波点当天12:20-12:25时间槽内的实时车速,μ1=44.6434为890号微波点近些天12:20-12:25时间槽内的样本均值,为890号微波点近些天12:20-12:25时间槽内的样本方差,则标准正态分布下的车速为y1=-0.52191,y1与890号微波点的实时车速x1=39对应,y1为负说明当前实时车速小于近期样本均值,经过线性变换后890号微波点车速值构成的一般正态分布变换为标准正态分布。循环计算路网中所有微波点的样本均值和方差,每个微波点检测到的实时车速都可以计算出一个与之对应的标准正态分布下的车速。
步骤5:线性变换后车速y1符合标准正态分布,由标准正态分布的概率密度函数可以计算出890号微波点车速y1=-0.52191的分布函数值为890号微波点车速的偏度值为0.478,峰度值为-0.548,则车速的偏度值与峰度值绝对值之和为αv=1.026,890号微波点流量的偏度值为-1.014,峰度值为1.243,则同理αf=2.257,故车速因子的可信度为 流量因子的可信度为 最终计算出890号微波点所在的路段异常指数为D=Dv+Df=0.6553。
步骤6:计算出路网中所有微波点的道路异常指数后进行降序排列,输出前K个最异常的路段供交通指挥部门核查,并就近派遣警力处置。
实施例2:交通异常案例。
以杭州路网数据为例,运用上述方法识别异常路段,图10为2014年12月5日14:45异常指数计算结果:图10中大方框为异常指数排名第五的路段,第一个数字133代表微波点编号,第二个数字0.8798103代表当前路段异常指数,后面依次是当前微波点所在的路段名称和路段方向;小方框中标明当天14:45~14:50时间段内的实时平均车速为8km/h,总流量为70辆,前面分别为近10天14:45~14:50时段内的车速和流量,通过对比可以发现,当前车速和流量明显异常。
133号微波点所在路段为杭州石祥路(瓜山立交桥附近)自东向西方向,通过在杭州交警支队进行视频查询可知,该路段所在的视频点为679号。视频查询结果显示高架下匝道口处出现异常拥堵现象,为车辆抛锚事故,后方清障车辆已到达现场,事故占用一个车道导致高架下匝道拥堵,所有其余车辆均避让绕行,导致该路段车速明显下降。
14:52分实时路况显示道路仍然拥堵,抛锚车辆和清障车并未离开;14:54分实时路况显示,清障车辆和抛锚车辆已撤离方框内的区域,道路重新恢复畅通,如图11所示。如图11所示,14:55的异常指数路段排名中该路段已消失在列表中,证明本方法的有效性和实时性。
Claims (2)
1.一种交通异常路段概率识别方法,其特征在于:包括以下步骤:
步骤1:清洗车速、流量数据后融合抽样数据构成样本空间
预设流量的先验阈值和车速的先验阈值,清洗、过滤掉阈值范围以外的错误数据,将全天24小时划分为设定时间段的时间槽,以当前实时数据所在的时间槽为依据,从数据库中抽样选取邻近天数的同一时间槽内的车速和流量数据,同时抽样选取邻近天数的相邻设定时间段时间槽内的车速和流量数据,组成各个微波点的样本空间;
步骤2:车速、流量数据源正态性检验
先验证数据源是否符合正态分布,偏度系数描述一个分布偏离正态分布的程度,峰度系数反映了分布曲线相比正态分布在顶端高耸或扁平程度的不同,分别计算微波点在各自样本空间内的偏度系数和峰度系数,根据系数大小判定当前微波点数据是否符合正态分布;
步骤3:计算各微波点车速、流量的均值和方差
经过数据清洗后的(X1,X2,…,Xn)构成微波点X关于车速或流量的一个样本空间,由n个样本点组成,其中计算出样本均值,为样本方差,令总体期望总体方差σ2=S2;
步骤4:将数据源线性变换为关于车速、流量的标准正态分布
x1、x2分别为微波点实时车速和流量,μ1、σ1为根据相应微波点近期车速数据计算出的期望和方差,μ2、σ2为根据相应微波点近期流量数据计算出的期望和方差,则该微波点的近期车速数据X1服从μ1、的正态分布,即该微波点的近期流量数据X2服从μ2、的正态分布,即通过的线性变换,可以分别将车速和流量的一般正态分布变换为标准正态分布,即车速符合此时y1是标准正态分布下的车速,流量符合此时y2是标准正态分布下的流量,各个微波点由符合各自的正态分布线性变换为符合标准正态分布,线性变换后各个微波点的概率密度函数相同,均被统一在同一尺度空间下;
步骤5:车速异常指数和流量异常指数的计算,
道路综合异常指数为:
D=Dv+Df
定义车速异常指数Dv为:
Dv的取值范围为[0,1],车速异常指数越大说明当前微波点的车速越异常,αv为车速的偏度系数和峰度系数的绝对值之和,αf为流量的偏度系数和峰度系数的绝对值之和,其中,φ(y1)为标准正态分布下车速y1的异常概率,
y1为标准正态分布下的车速,(-∞,y1)为车速积分区间,t1为车速积分变量,dt1为车速积分单元;
定义流量异常指数Df为:
Df的取值范围为[0,1],流量异常指数越大说明当前微波点的流量突增,有可能出现异常事件,其中,φ(y2)为标准正态分布下流量y2的异常概率,
y2为标准正态分布下的流量,(-∞,y2)为流量积分区间,t2为流量积分变量,dt2为流量积分单元;
步骤6:异常指数降序排列输出预警
遍历计算全路网中所有微波点当前时间槽内的道路异常指数D,对计算出的异常指数结果按照从大到小排列,输出前K个最异常的路段预警。
2.如权利要求1所述的一种交通异常路段概率识别方法,其特征在于:所述步骤5中,线性变换后的微波点车速y1、流量y2数据均符合标准正态分布,线性变换后标准正态分布下的车速反映当前微波点车速x1与平均车速即期望μ1的偏离程度,线性变换后的概率密度函数相同,即为由标准正态分布的概率密度函数可知,微波点车速y1越小于均值μ1,微波点车速y1的分布函数越小;线性变换后标准正态分布下的流量反映当前微波点流量x2与平均流量即期望μ2的偏离程度,线性变换后的概率密度相同,即为由标准正态分布的概率密度函数可知,微波点流量y2越大于均值μ2,标准正态分布下流量y2的分布函数越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510077183.1A CN104732762B (zh) | 2015-04-21 | 2015-04-21 | 一种交通异常路段概率识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510077183.1A CN104732762B (zh) | 2015-04-21 | 2015-04-21 | 一种交通异常路段概率识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732762A CN104732762A (zh) | 2015-06-24 |
CN104732762B true CN104732762B (zh) | 2017-01-25 |
Family
ID=53456623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510077183.1A Active CN104732762B (zh) | 2015-04-21 | 2015-04-21 | 一种交通异常路段概率识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732762B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966398B (zh) * | 2015-07-27 | 2017-11-07 | 福建工程学院 | 一种施工围挡道路的确认方法及系统 |
CN107491420B (zh) * | 2017-07-06 | 2020-10-30 | 重庆大学 | McMaster事件检测算法的一种自动寻参方法 |
CN109039833B (zh) | 2018-09-30 | 2022-11-22 | 网宿科技股份有限公司 | 一种监控带宽状态的方法和装置 |
CN109360419A (zh) * | 2018-11-16 | 2019-02-19 | 浩鲸云计算科技股份有限公司 | 一种路段流量报警的计算方法 |
CN110473398B (zh) * | 2019-07-29 | 2020-09-11 | 安徽科力信息产业有限责任公司 | 一种城市道路拥堵分析方法及装置 |
CN112614345B (zh) * | 2020-12-15 | 2023-01-10 | 平安国际智慧城市科技股份有限公司 | 车辆速度的计算方法、装置、设备及存储介质 |
CN112927497B (zh) * | 2021-01-14 | 2023-01-17 | 阿里巴巴集团控股有限公司 | 一种浮动车识别方法、相关方法和装置 |
CN114627642B (zh) * | 2022-02-25 | 2023-03-14 | 青岛海信网络科技股份有限公司 | 一种交通拥堵识别方法及装置 |
CN114582141B (zh) * | 2022-03-04 | 2023-09-22 | 北京交通大学 | 常发车流量大路段识别方法及系统 |
CN114863686B (zh) * | 2022-07-06 | 2022-09-30 | 临沂市公路事业发展中心 | 一种普通国省干线可变限速控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4847772A (en) * | 1987-02-17 | 1989-07-11 | Regents Of The University Of Minnesota | Vehicle detection through image processing for traffic surveillance and control |
DE102004002808B4 (de) * | 2003-03-07 | 2015-08-20 | Deutsche Telekom Ag | Verkehrssteuerungssystem |
CN101286270A (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 |
CN101783075B (zh) * | 2010-02-05 | 2012-05-23 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
-
2015
- 2015-04-21 CN CN201510077183.1A patent/CN104732762B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104732762A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732762B (zh) | 一种交通异常路段概率识别方法 | |
CN104240499B (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
CN106816008B (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
CN111310786B (zh) | 基于随机森林分类器的交通检测器异常诊断方法及装置 | |
CN107798876B (zh) | 基于事件的道路交通异常拥堵判断方法 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN103413263B (zh) | 旅行时间指数熵交通运行评价方法 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
Weijermars | Analysis of urban traffic patterns using clustering | |
CN108648445B (zh) | 基于交通大数据的动态交通态势预测方法 | |
KR101385057B1 (ko) | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 | |
CN108335482A (zh) | 一种城市交通态势感知方法及可视化方法 | |
CN103942953A (zh) | 一种基于浮动车数据的城市路网动态交通拥挤预测方法 | |
CN105355049A (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN110807917A (zh) | 一种基于云计算的高速公路智能安防系统 | |
CN106156890B (zh) | 一种城市轨道交通通道内客流检测和预测方法及其系统 | |
CN111754786A (zh) | 一种识别高速公路交通工具通行事件的系统 | |
CN101551940A (zh) | 城市快速道路交通状态判别与发布系统及其方法 | |
CN110400462A (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
Zhang et al. | Identification and characteristics analysis of bottlenecks on urban expressways based on floating car data | |
CN110276951B (zh) | 一种基于移动互联网交通拥堵预警方法 | |
CN102819956A (zh) | 一种基于单截面环形线圈检测器的道路交通事件检测方法 | |
CN114360264A (zh) | 一种基于交通流量进行调节的智慧城市交通管理方法 | |
CN114078322B (zh) | 一种公交运行状态评价方法、装置、设备及存储介质 |
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 |