CN104933860B - 基于gps数据的公交车堵车延误时间预测方法 - Google Patents
基于gps数据的公交车堵车延误时间预测方法 Download PDFInfo
- Publication number
- CN104933860B CN104933860B CN201510259711.5A CN201510259711A CN104933860B CN 104933860 B CN104933860 B CN 104933860B CN 201510259711 A CN201510259711 A CN 201510259711A CN 104933860 B CN104933860 B CN 104933860B
- Authority
- CN
- China
- Prior art keywords
- traffic congestion
- scene
- bus
- time
- front truck
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于道路交通检测技术领域,公开了一种基于GPS数据的公交车堵车延误时间预测方法,包括以下步骤:对公交车历史GPS数据进行预处理;对预处理后的公交车GPS历史数据进行统计分析;公交车堵车情景划分;公交车状态判别;公交车堵车延误时间预测和修正。本发明充分发挥公交车GPS数据量大的优势,结合历史统计信息和实时GPS数据,利用决策树分类的方法将堵车状态划分为6种情景,针对不同情景采用不同的预测计算方法,并根据实时数据和历史堵车信息对预测结果进行修正,能够在常发性拥堵和偶发性拥堵的情况下获得更准确的预测值。
Description
技术领域
本发明属于道路交通检测技术领域,具体涉及一种基于GPS数据的公交车堵车延误时间预测方法。
背景技术
公交车在行驶过程中会受到实时路况的影响而出现延误,但延误的时间有多长,是众多交通参与者如出行者、司机、交通管理者等人关注的焦点。准确预测公交车车因堵车而造成的延误时间,可以降低乘客和司机因拥堵而产生的烦躁心理,也可以交通诱导、交通控制、公交车到站时间预测、调度优化等提供参考和支持,有助于提高城市道路交通管理和服务水平。
智能交通的发展过程中积累了海量的公交车GPS数据,这些数据具有数据量大、实时性高、覆盖面广、可靠性高等特点。公交车GPS数据详细记录了公交车车辆运行轨迹,反映了公交车运行的规律和城市道路状态变化规律。利用各种数据管理、分析工具和数据挖掘算法可以从中挖掘出城市道路交通变化规律,如公交车行程时间变化规律、停靠站时间变化规律、受信号灯影响延误时间分布规律、堵车规律以及道路状态变化规律等,利用这些规律可以更加方便、及时、有效地改善城市道路交通状况。如何利用充分发挥这些数据的优势和作用,准确预测公交车因拥堵而造成的延误时间大小,目前还缺乏有效的研究。
目前的研究主要针对如何减少堵车的发生,以及在堵车之后如何实现交通诱导以及有效的管理,以降低堵车的影响范围,而对因堵车造成延误时间长度还没有具体的量化研究分析方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于GPS数据的公交车堵车延误时间预测方法。
为达到上述目的,本发明提供如下技术方案:
基于GPS数据的公交车堵车延误时间预测方法,包括以下步骤:
1)对公交车历史GPS数据进行预处理;
2)对预处理后的公交车历史GPS数据进行统计分析;所述步骤2)具体包括如下步骤:
21)根据公交车历史GPS数据,统计公交在每个路段的行程时间以及在每个站点的停站时间;
22)统计出公交车的历史堵车信息和堵车点信息;
23)取最近一个检测周期的历史堵车信息,若在该检测周期内在同一堵车点发生的堵车超过阈值,则认为在该点会发生常发性堵车;
24)根据常发性堵车数据,统计出每个堵车记录的平均堵车速度,然后统计出每个路段每个堵车点的平均通行速度;
3)公交车堵车情景划分;
4)公交车状态判别;
5)公交车堵车时间预测和修正。
进一步,所述步骤22)中堵车点通过如下方法确定:
根据路段编号从数据仓库中选出公交GPS历史信息,并按里程距离排序;
根据里程距离求出每个里程的平均行程时间;
对各里程行程所对应的平均速度分布分析,找到平均速度先逐渐减小后来逐渐增大的里程点且最小平均速度小于一定的阈值,则平均速度最小的点对应的里程距离即为拥堵点。
进一步,所述步骤3)中,将公交车堵车状态划分为6种情景,具体是:
情景1:常发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前仍处于堵车状态下,此种情景说明堵车形成时间较长,而且堵车程度较为严重;
情景2:常发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下;
情景3:常发性堵车情况下,没有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下;
情景4:偶发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前仍处于堵车状态下;
情景5:偶发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下;
情景6:偶发性堵车情况下,没有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下。
进一步,所述步骤4)具体包括如下步骤:
41)当公交车连续n个GPS数据的行驶速度值均小于阈值,且根据车辆里程信息判断公交不在公交站点内和信号灯影响范围内,且在预定时间范围内里程变化小于阈值,则确定公交车遇到堵车;
42)根据堵车发生的时间段以及路段判断是否有历史拥堵信息,若有,且在预设周期内其历史堵车次数大于阈值,则判定为常发性堵车,转到步骤43);若不存在历史拥堵信息或其历史堵车次数小于阈值,则判定为偶发性堵车,转到步骤45);
43)检测是否有前车堵车信息,若无,则将当前车辆堵车状态确定为情景3;若有,转到步骤44);
44)检测前车是否处于堵车状态,若是,则将当前车辆堵车状态确定为情景1;若否,则将当前车辆堵车状态确定为情景2;
45)检测是否有前车堵车信息,若无,则将当前车辆堵车状态确定为情景4;若有,转到步骤46;
46)检测前车是否处于堵车状态,若是,则将当前车辆堵车状态确定为情景5;若否,则将当前车辆堵车状态确定为情景6。
进一步,所述步骤5)中,当公交车堵车状态为情景1、情景2或情景3时,执行以下步骤:
501)确定当前公交车辆Vi的位置与拥堵点的距离;
502)获取前车Vj信息;
503)情景1的公交堵车延误时间的预测值通过下式计算:
其中dvj(m,n)前车Vj的实时里程,di(m,n)为当前车辆Vi的实时里程,Tvji为Vj经过di(m,n)的时间,Tvj为当前实时时间;α为修正因子;
其中和分别为车辆Vi和车辆Vj到达di(m,n)前3分钟的平均速度;h和k为对应数据个数;
情景2的公交堵车延误时间的预测值通过下式计算:
Tjami(m,n)=α*[Tvj(m,n)-Tvji(m,n)];
此时Tjami(m,n)即为当前车辆Vi的堵车延误时间;其中Tvji为Vj经过di(m,n)的时间,Tvj为当前实时时间;α为修正因子;
情景3的公交堵车延误时间的预测值通过下式计算:
其中Ljam(m,n)为当前车辆Vi的堵车距离,Vijavg(m,n)为前车Vj从di(m,n)到堵车点的平均速度,β为修正因子,即
其中为在线路m和路段n在w类天气的下车辆的平均行驶速度,q为在路段m和时段n在w类天气下堵车次数,p为在路段m和时段n总的堵车次数,Vavgjam(m,n)为在在路段m和时段n总的平均堵车时间;
情景1和情景2中的修正因子α,通过下式计算:
其中和分别为车辆Vi和车辆Vj到达di(m,n)前3分钟的平均速度;h和k为对应数据个数。
进一步,所述步骤5)中,
情景4的公交堵车延误时间的预测值通过下式计算:
其中Ts(m,n)为发车时间间隔,T为堵车时间预测周期;
情景5的公交堵车延误时间的预测值通过下式计算:
Tjami(m,n)=Ts(m,n)+Tjamj(m,n);
其中Ts(m,n)为发车时间间隔,Tjamj(m,n)为所预测的前车Vj的堵车时间;
情景6的公交堵车延误时间的预测值通过下式计算:
其中djam(m,n)为根据前车信息得到的堵车点里程,Tjamj(m,n)为前车堵车时间,σ为预定义阈值,和φ分别是衰减系数,且有和φ<1,di和dj分别为车辆Vi与前车Vj刚开始遇到堵车的里程。本发明相对于现有技术具有如下优点:第一,充分利用海量历史数据的优势,在海量数据的基础上挖掘公交堵车延误时间的规律;第二,可建立面向GPS数据挖掘的公交堵车时间长度预测的数据仓库及专用数据挖掘库,将所需的数据进行集成与汇总,将数据分析和挖掘过程中得到的信息存储专用数据挖掘库,减少后续工作的负担,提高预测效率;第三,建立基于GPS数据挖掘的公交堵车延误时间预测模型,利用动态的实时公交GPS数据对公交判断是否发生堵车,然后根据公交历史堵车信息判别是常发性堵车还是偶发性堵车,进一步,结合前车的动态信息判断堵车的严重程度以及堵车变化的趋势;第四,结合历史统计信息和实时GPS数据,利用决策树分类的方法将堵车状态划分为6种情景,针对不同情景采用不同的预测计算方法,并根据实时数据和历史堵车信息对预测结果进行修正,能够在常发性拥堵和偶发性拥堵的情况下获得更准确的预测值。
附图说明
图1示出了基于GPS数据的公交车堵车延误时间预测方法的流程示意图;
图2示出了基于GPS数据的公交车堵车延误时间预测方法中公交车状态判别和堵车时间预测的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将对本发明的具体实施方式作进一步的详细描述。
本实施例的基于GPS数据的公交车堵车延误时间预测方法,包括如下步骤:
基于GPS数据的公交车堵车延误时间预测方法,包括以下步骤:
1)对公交车历史GPS数据进行预处理;包括对公交车GPS历史数据的修正与规范化处理;建立主题数据仓库和专用数据挖掘库,实现对公交GPS历史数据和公交历史统计信息的集成和存储。本发明中所涉及的一些存储于数据挖掘库中的关键表格如表1所示:
表1公交堵车时间预测关键表格及其解释说明
2)对预处理后的公交车历史GPS数据进行统计分析;具体包括如下步骤:
21)根据公交车历史GPS数据,统计公交在每个路段的行程时间(即过去两年内指定线路的每一辆公交车每一次经过每一个路段的时间,结果存于“HisTraveltime”表内)以及在每个站点的停站时间;
22)统计出公交车的历史堵车信息和堵车点信息;具体的:
从GPS历史数据中统计出公交车车的历史堵车信息存于“BusJam”表内;
取最近一个检测周期的历史堵车信息存储于“NearBusJam”表内,若在该检测周期内在同一堵车点发生的堵车超过一定的次数(如5次),则认为在该点会发生常发性堵车,将堵车标志置“0”,否则堵车标志为“1”;利用数据库的存储过程和作业机制实现定期自动更新该表的数据;
取“BusJam”表内的常发性堵车数据,统计出每个堵车记录的平均堵车速度,最后统计出每个路段每个堵车点的平均速度,结果存于“HisTraveltime”表中。
堵车点通过如下方法确定:根据路段编号从数据仓库中选出公交GPS历史信息(每个路段的行程时间以及在每个站点的停站时间),并按里程距离排序;根据里程距离求出每个里程的平均行程时间;对各里程行程所对应的平均速度分布分析,找到平均速度先逐渐减小后来逐渐增大的里程点且最小平均速度小于一定的阈值(如10km/h),则平均速度最小的点对应的里程距离即为拥堵点,用djamih(m,n)表示,单位:km,其中m为线路编号,n为线路m的路段编号,。
23)取最近一个检测周期的历史堵车信息,若在该检测周期内在同一堵车点发生的堵车次数超过阈值,则认为在该点会发生常发性堵车;
24)根据常发性堵车数据,统计出每个堵车记录的平均堵车速度,然后统计出每个路段每个堵车点的平均通行速度。
3)公交车堵车情景划分;由于堵车发生的随机性大,本发明提出的公交堵车时间长度预测方法遵循两个原则:第一,先检测后预测原则,即检测到堵车发生后再预测堵车时间长度,如果没有检测到堵车的发生,则不作预测;第二,短时间预测原则,即只对公交车辆在当前路段的堵车时间作预测,而不预测下游其他路段的堵车时间。由于拥堵包括常发性拥堵和偶发性拥堵,常发性堵车一般是由于交通需求大于交通基础设施的所提供的服务而引发,具有一定的规律性,而偶发性堵车一般是由随机事件(如交通事故、恶劣天气、货物散落等)引起,具有很大的随机性。
根据历史堵车信息及实时公交GPS信息可以判别堵车的性质以及对常发性公交堵车时间长度进行预测。而偶发性拥堵发生的时间和地点都具有很大的随机性和不确定性,其影响难以估计。因此,对偶发性堵车的预测主要以实时GPS信息(当前车辆信息和前车信息)为主。
而公交车在不同的堵车情景下变化规律不同,对不同情形下堵车预测时间的方法也有所不同。因此,根据公交堵车的特性将公交车堵车划分为6种情景,具体是:
情景1:常发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前仍处于堵车状态下,此种情景说明堵车形成时间较长,而且堵车程度较为严重;
情景2:常发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下,此种情景说明堵车形成时间较长,但堵车程度不严重;
情景3:常发性堵车情况下,没有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下,此种情景说明堵车形成时间还不长,堵车严重程度需要进一步确认;
情景4:偶发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前仍处于堵车状态下,此种情景说明堵车形成时间较长,而且堵车程度较为严重;
情景5:偶发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下,此种情景说明堵车形成时间较长,但堵车程度不严重;
情景6:偶发性堵车情况下,没有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下,此种情景说明堵车形成时间还不长,堵车严重程度需要进一步确认。
4)接收公交车实时GPS数据后,先对公交车状态判别,参见图2;具体包括如下步骤:
41)堵车判别:当公交车连续n(如3)个GPS数据的行驶速度值均小于阈值(如小于5km/h),且根据车辆里程信息判断公交不在公交站点内和信号灯影响范围内,且在预定时间范围内里程变化小于阈值,则确定公交车遇到堵车;确定发生堵车之后,将堵车信息存于临时堵车表中。
42)堵车性质判别:根据堵车发生的时间段以及路段判断是否有历史拥堵信息,若有,且在预设周期内其历史堵车次数大于阈值,则判定为常发性堵车,转到步骤43);若不存在历史拥堵信息或其历史堵车次数小于阈值,则判定为偶发性堵车,转到步骤45);
43)检测是否有前车堵车信息,若无,则将当前车辆堵车状态确定为情景3;若有,转到步骤44);
44)检测前车是否处于堵车状态,若是,则将当前车辆堵车状态确定为情景1;若否,则将当前车辆堵车状态确定为情景2;
45)检测是否有前车堵车信息,若无,则将当前车辆堵车状态确定为情景4;若有,转到步骤46;
46)检测前车是否处于堵车状态,若是,则将当前车辆堵车状态确定为情景5;若否,则将当前车辆堵车状态确定为情景6。
5)公交车堵车延误时间预测和修正;若判定为常发性堵车,则可利用相应的堵车信息预测公交堵车延误时间。常发性堵车状态下对应上述情景1、情景2、情景3,对车辆所处的状态进行判断确定车辆所在的情景之后,则应采取不同的方法计算不同情景下公交车的堵车时间:
501)确定当前公交车辆Vi的位置与拥堵点的距离;具体方法是:根据路段编号和时段编号从“历史拥堵点信息表”表中查询该堵车点的里程djamih(m,n),根据公交实时GPS数据可以确定Vi的位置为di(m,n)。则di(m,n)与djamih(m,n)可以确定Vi的堵车距离Ljam(m,n)(单位:km):
Ljam(m,n)=djamih(m,n)-di(m,n); (1)
502)获取前车Vj信息;
503)情景1的公交堵车延误时间的预测值通过下式计算:
其中dvj(m,n)前车Vj的实时里程,di(m,n)为当前车辆Vi的实时里程,Tvji为Vj经过di(m,n)的时间,Tvj为当前实时时间;α为修正因子,通过下式计算:
其中和分别为车辆Vi和车辆Vj到达di(m,n)前3分钟的平均速度;h和k为对应数据个数;
情景2下公交堵车延误时间预测的思路是:先计算出前车Vj从di(m,n)到堵车点所花费的时间Tjamj(m,n)(单位:秒),则在此期间Vj的平均速度Vijavg(m,n)(单位:m/s),以该速度作为当前车辆在到达堵车点前的参考速度;而当前车辆Vi的堵车距离Ljam(m,n)为已知,且等于Vj从di(m,n)到堵车点的距离。如公式(4)-(6)所示:
Tjamij(m,n)=Tvj(m,n)-Tvji(m,n)
(4)
Ljami(m,n)=Ljamj(m,n)
(6)
当前车辆Vi的堵车Tjami(m,n)(单位:s)为
由(4)-(7)可得:
Tjami(m,n)=α*[Tvj(m,n)-Tvji(m,n)] (8)
情景3没有前车堵车的信息作为参考,但还可以根据当前车辆Vi的位置和历史统计信息确定堵车点和堵车距离Ljam(m,n)(如式(1)所示)。可以利用历史的堵车信息(如平均堵车速度)作为公交堵车时间预测的参考和基础,并根据当前天气状况进行修正。此种情景下公交堵车延误时间为:
其中β为修正因子,即
其中为在线路m和路段n在w类天气的下车辆的平均行驶速度,q为在路段m和时段n在w类天气下堵车次数,p为在路段m和时段n总的堵车次数,Vavgjam(m,n)为在在路段m和时段n总的平均堵车时间。在本发明中将天气划分了6类,具体如表2所示:
表格2天气分类及符号
情景4下,由于偶发性堵车没有历史堵车信息可以参照,而且在没有前车堵车信息的条件下,没有对公交前方的状态不明确。无前车堵车信息说明堵车形成时间不长(小于发车间隔,早上第一班车除外),此时首先堵车时间取发车间隔Ts(m,n)的一半,如发车间隔为10分钟,则将此情景下的Vi的堵车时间预置为5分钟,若公交在5分钟内通过堵车点,则结束对该车堵车时间的预测,若过了5分钟之后判断车辆仍处于堵车的状态下,则采用周期性时间补偿的方法,每隔一个预测周期补偿该一个预测周期的时间。如公交堵车时间预测周期为20秒,则在此后的每隔堵车周期堵车时间补偿为2.0s,直至堵车结束。因此,情景4的公交堵车延误时间的预测值通过下式计算:
其中Ts(m,n)为发车时间间隔,T为堵车时间预测周期;
情景5下有公交车前车的堵车信息,而且前车也还处于堵车状态,说明此种情况下堵车比较严重,当前车辆堵车延误时间为:
Tjami(m,n)=Ts(m,n)+Tjamj(m,n); (12)
其中Ts(m,n)为发车时间间隔,Tjamj(m,n)为所预测的前车Vj的堵车时间;
情景6下,若临时堵车表中有前车的堵车信息,而且判断前车目前已经不是堵车状态,比较当前车辆Vi与前车Vj刚开始遇到堵车的里程di(m,n)和dj(m,n)(以下分别以di和dj表示),有以下三种情况:
其一,若|dj-di|小于一定的阈值(如100米),则说明堵车形成时间比较长,但堵车情况不严重;
其二,若dj-di大于该阈值,则说明堵车形成时间不长,堵车长度在加长,有逐渐扩散的趋势;
其三,若di-dj大于该阈值,则说明堵车形成时间已久,堵车范围有逐渐缩小的趋势。
因此,针对上述三种情况,当前车辆Vi的堵车延误时间为:
其中djam(m,n)为根据前车信息得到的堵车点里程,Tjamj(m,n)为前车堵车时间,σ为预定义阈值,和φ分别是衰减系数,且有和φ<1。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.基于GPS数据的公交车堵车延误时间预测方法,其特征在于:包括以下步骤:
1)对公交车历史GPS数据进行预处理;
2)对预处理后的公交车历史GPS数据进行统计分析;具体包括如下步骤:
21)根据公交车历史GPS数据,统计公交在每个路段的行程时间以及在每个站点的停站时间;
22)统计出公交车的历史堵车信息和堵车点信息;
23)取最近一个检测周期的历史堵车信息,若在该检测周期内在同一堵车点发生的堵车次数超过阈值,则认为在该点会发生常发性堵车;
24)根据常发性堵车数据,统计出每个堵车记录的平均堵车速度,然后统计出每个路段每个堵车点的平均通行速度;
3)公交车堵车情景划分;
4)公交车状态判别;
5)公交车堵车时间预测和修正。
2.如权利要求1所述的基于GPS数据的公交车堵车延误时间预测方法,其特征在于:所述步骤22)中堵车点通过如下方法确定:
根据路段编号从数据仓库中选出公交GPS历史信息,并按里程距离排序;
根据里程距离求出每个里程的平均行程时间;
对各里程行程所对应的平均速度分布分析,找到平均速度先逐渐减小后来逐渐增大的里程点且最小平均速度小于一定的阈值,则平均速度最小的点对应的里程距离即为拥堵点。
3.如权利要求2所述的基于GPS数据的公交车堵车延误时间预测方法,其特征在于:所述步骤3)中,将公交车堵车状态划分为6种情景,具体是:
情景1:常发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前仍处于堵车状态下,此种情景说明堵车形成时间较长,而且堵车程度较为严重;
情景2:常发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下;
情景3:常发性堵车情况下,没有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下;
情景4:偶发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前仍处于堵车状态下;
情景5:偶发性堵车情况下,有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下;
情景6:偶发性堵车情况下,没有同一线路前车堵车的信息,而且检测出前车目前为正常行驶状态下。
4.如权利要求3所述的基于GPS数据的公交车堵车延误时间预测方法,其特征在于:所述步骤4)具体包括如下步骤:
41)当公交车连续n个GPS数据的行驶速度值均小于阈值,且根据车辆里程信息判断公交不在公交站点内和信号灯影响范围内,且在预定时间范围内里程变化小于阈值,则确定公交车遇到堵车;
42)根据堵车发生的时间段以及路段判断是否有历史拥堵信息,若有,且在预设周期内其历史堵车次数大于阈值,则判定为常发性堵车,转到步骤43);若不存在历史拥堵信息或其历史堵车次数小于阈值,则判定为偶发性堵车,转到步骤45);
43)检测是否有前车堵车信息,若无,则将当前车辆堵车状态确定为情景3;若有,转到步骤44);
44)检测前车是否处于堵车状态,若是,则将当前车辆堵车状态确定为情景1;若否,则将当前车辆堵车状态确定为情景2;
45)检测是否有前车堵车信息,若无,则将当前车辆堵车状态确定为情景4;若有,转到步骤46;
46)检测前车是否处于堵车状态,若是,则将当前车辆堵车状态确定为情景5;若否,则将当前车辆堵车状态确定为情景6。
5.如权利要求3所述的基于GPS数据的公交车堵车延误时间预测方法,其特征在于:所述步骤5)中,当公交车堵车状态为情景1、情景2或情景3时,执行以下步骤:
501)确定当前公交车辆Vi的位置与拥堵点的距离;
502)获取前车Vj信息;
503)情景1的公交堵车延误时间的预测值通过下式计算:
其中dvj(m,n)前车Vj的实时里程,di(m,n)为当前车辆Vi的实时里程,Tvji为Vj经过di(m,n)的时间,Tvj为当前实时时间;α为修正因子;
情景2的公交堵车延误时间的预测值通过下式计算:
Tjami(m,n)=α*[Tvj(m,n)-Tvji(m,n)];
此时Tjami(m,n)即为当前车辆Vi的堵车延误时间;其中Tvji为Vj经过di(m,n)的时间,Tvj为当前实时时间;α为修正因子;
情景3的公交堵车延误时间的预测值通过下式计算:
其中Ljam(m,n)为当前车辆Vi的堵车距离,Vijavg(m,n)为前车Vj从di(m,n)到堵车点的平均速度,β为修正因子,即
其中为在线路m和路段n在w类天气的下车辆的平均行驶速度,q为在路段m和时段n在w类天气下堵车次数,p为在路段m和时段n总的堵车次数,Vavgjam(m,n)为在在路段m和时段n总的平均堵车时间;
情景1和情景2中的修正因子α,通过下式计算:
其中和分别为车辆Vi和车辆Vj到达di(m,n)前3分钟的平均速度;h和k为对应数据个数。
6.如权利要求5所述的基于GPS数据的公交车堵车延误时间预测方法,其特征在于:所述步骤5)中,
情景4的公交堵车延误时间的预测值通过下式计算:
其中Ts(m,n)为发车时间间隔,T为堵车时间预测周期;
情景5的公交堵车延误时间的预测值通过下式计算:
Tjami(m,n)=Ts(m,n)+Tjamj(m,n);
其中Ts(m,n)为发车时间间隔,Tjamj(m,n)为所预测的前车Vj的堵车时间;
情景6的公交堵车延误时间的预测值通过下式计算:
其中djam(m,n)为根据前车信息得到的堵车点里程,Tjamj(m,n)为前车堵车时间,σ为预定义阈值,和φ分别是衰减系数,且有和φ<1,di和dj分别为车辆Vi与前车Vj刚开始遇到堵车的里程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259711.5A CN104933860B (zh) | 2015-05-20 | 2015-05-20 | 基于gps数据的公交车堵车延误时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259711.5A CN104933860B (zh) | 2015-05-20 | 2015-05-20 | 基于gps数据的公交车堵车延误时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933860A CN104933860A (zh) | 2015-09-23 |
CN104933860B true CN104933860B (zh) | 2017-07-11 |
Family
ID=54121008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510259711.5A Active CN104933860B (zh) | 2015-05-20 | 2015-05-20 | 基于gps数据的公交车堵车延误时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933860B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230670B (zh) * | 2016-12-22 | 2021-07-23 | 株式会社日立制作所 | 预测在给定时间段给定地点出现的移动体数的方法和装置 |
CN106816018A (zh) * | 2017-02-16 | 2017-06-09 | 上海电科智能系统股份有限公司 | 一种城市可变信息标志地面交通诱导路段确定方法 |
CN107248282B (zh) * | 2017-06-29 | 2021-07-02 | 浩鲸云计算科技股份有限公司 | 获取道路运行状态等级的方法 |
CN107256629A (zh) * | 2017-07-31 | 2017-10-17 | 合肥桥旭科技有限公司 | 一种基于互联网的公交车堵车延误预警系统 |
CN108198424B (zh) * | 2018-01-25 | 2021-04-16 | 重庆市市政设计研究院 | 一种基于浮动车数据的城市道路偶发拥堵识别算法及预警系统 |
CN108682152B (zh) * | 2018-05-31 | 2021-01-15 | 重庆大学 | 一种基于前车数据的公交车异常数据修复方法 |
CN109219838B (zh) * | 2018-08-16 | 2022-01-28 | 深圳市锐明技术股份有限公司 | 一种交通监测报警方法、装置、终端设备及存储介质 |
CN109035778B (zh) * | 2018-08-29 | 2021-11-30 | 深圳市赛为智能股份有限公司 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
CN109118771B (zh) * | 2018-09-19 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种城市交通常发性拥堵特征确定的方法及装置 |
CN109637178A (zh) * | 2018-11-29 | 2019-04-16 | 北京依途网络科技有限公司 | 车辆到站时间确定方法及设备 |
CN111291935B (zh) * | 2020-02-20 | 2023-12-29 | 上海赛可出行科技服务有限公司 | 一种基于区域块分割的接驾时长预估方法 |
CN112109720B (zh) * | 2020-09-09 | 2021-11-16 | 长安大学 | 一种公交车驾驶人情绪监测与预测系统及方法 |
CN114708741B (zh) * | 2022-04-19 | 2023-07-18 | 安徽工业大学 | 一种基于v2x技术的多相位公交优先控制方法 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1637382A (zh) * | 2003-12-26 | 2005-07-13 | 爱信艾达株式会社 | 预测拥堵信息显示方法及导航装置 |
CN101438335A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
CN102280031A (zh) * | 2011-07-22 | 2011-12-14 | 南京莱斯信息技术股份有限公司 | 一种基于浮动车数据的路口交通状态识别方法 |
CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
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 |
CN103871239A (zh) * | 2014-03-17 | 2014-06-18 | 同济大学 | 基于出租车和公交gps数据的公交运行状态判别方法及应用系统 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104157142A (zh) * | 2014-08-27 | 2014-11-19 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
-
2015
- 2015-05-20 CN CN201510259711.5A patent/CN104933860B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1637382A (zh) * | 2003-12-26 | 2005-07-13 | 爱信艾达株式会社 | 预测拥堵信息显示方法及导航装置 |
CN101438335A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
CN102280031A (zh) * | 2011-07-22 | 2011-12-14 | 南京莱斯信息技术股份有限公司 | 一种基于浮动车数据的路口交通状态识别方法 |
CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
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 |
CN103871239A (zh) * | 2014-03-17 | 2014-06-18 | 同济大学 | 基于出租车和公交gps数据的公交运行状态判别方法及应用系统 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104157142A (zh) * | 2014-08-27 | 2014-11-19 | 河海大学 | 一种基于浮动车数据的城市路径行程时间预测方法 |
Non-Patent Citations (1)
Title |
---|
浮动车交通参数检测及在道路交通状态分析中的应用研究;廖孝勇;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20120715 * |
Also Published As
Publication number | Publication date |
---|---|
CN104933860A (zh) | 2015-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933860B (zh) | 基于gps数据的公交车堵车延误时间预测方法 | |
CN103150930B (zh) | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
Skabardonis et al. | Measuring recurrent and nonrecurrent traffic congestion | |
Strathman et al. | Automated bus dispatching, operations control, and service reliability: Baseline analysis | |
Hourdos et al. | Real-time detection of crash-prone conditions at freeway high-crash locations | |
Weijermars | Analysis of urban traffic patterns using clustering | |
CN104240499A (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104751642A (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN103578295A (zh) | 一种快速道路排队尾部追尾事故风险实时预测与预防方法 | |
CN111091715A (zh) | 一种基于历史重现率的道路偶发拥堵识别方法及装置 | |
CN105469602A (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
Liu et al. | A new approach for real-time traffic delay estimation based on cooperative vehicle-infrastructure systems at the signal intersection | |
CN105355049A (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
CN103956052B (zh) | 一种公路路况的检测方法和系统 | |
Lu et al. | Estimating traffic speed with single inductive loop event data | |
CN109493449B (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 | |
CN113936463A (zh) | 一种基于雷达和视频数据融合的隧道交通管控方法及系统 | |
CN103971516B (zh) | 交通数据预处理方法及路况检测方法 | |
Aron et al. | Traffic indicators, accidents and rain: some relationships calibrated on a French urban motorway network | |
Kutlimuratov et al. | Impact of stops for bus delays on routes | |
CN114627643B (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN114241756B (zh) | 一种高速公路施工期间硬路肩动态使用方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201222 Address after: 402460 station No.14, no.6, 10th floor, innovation and development center, No.19 Lingfang Avenue, Changzhou street, Rongchang District, Chongqing Patentee after: Chongqing kezhiyuan Technology Co.,Ltd. Address before: 400030 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
TR01 | Transfer of patent right |