CN105185115B - 一种交通预测方法和预测系统 - Google Patents
一种交通预测方法和预测系统 Download PDFInfo
- Publication number
- CN105185115B CN105185115B CN201510564799.1A CN201510564799A CN105185115B CN 105185115 B CN105185115 B CN 105185115B CN 201510564799 A CN201510564799 A CN 201510564799A CN 105185115 B CN105185115 B CN 105185115B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- time
- section
- car
- 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
本发明涉及交通预测领域,一种路段交通预测方法,包括:进行信息采集,采集车辆行驶有关信息和交通预测辅助信息;进行行驶路径分析,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据;进行路段车流阀值计算和车辆行为链分析,其中,路段车流阀值计算,用于计算每条路段在不同流态下的车流阀值;车辆行为链分析,用于分析计算每辆车的行为链;进行车辆行为模式分析,用于分析计算每辆车的出行模式;进行车辆出行预测:预测未来每辆车出行的目的、起始地、行驶路径及其概率与时间;进行路段交通预测,预测未来不同时刻不同路段的流量、流态及车辆来源与目的地;对路段交通预测结果进行信息发布。
Description
【技术领域】
本发明涉及交通预测领域,特别涉及一种交通预测方法和预测系统。
【背景技术】
现有技术中,车辆身份与位置采集系统,目前常用到的主要有三种模式:
1)基于RFID电子车牌的车辆身份与位置信息采集系统。该系统给每辆车安装RFID身份识别卡,并在多个交通路段安装RFID读卡装置;车辆通过读卡装置安装地点时,系统可读取车辆上的RFID信息,得知通行车辆的身份信息,并根据读卡装置安装地点得知车辆当前位置。由于读卡装置安装地点呈现稀疏型,车辆的当前位置信息也是稀疏型的。
2)基于视频车牌识别的车辆身份与位置信息采集系统。该系统在多个交通路段安装视频监控摄像头,车辆通过视频摄像头指定位置时,系统拍摄车辆图像并识别图像上的车牌信息,并根据摄像头安装地点得知车辆当前位置。由于摄像头安装地点呈现稀疏型,车辆的当前位置信息也是稀疏型的。
3)基于GPS定位系统的车辆身份与位置信息采集系统。该系统给每辆车安装GPS终端与无线发送装置,无线发送装置定时向系统发送车辆身份信息与当前GPS定位信息。由于该系统随时随地发送身份与位置信息,车辆的当前位置信息是致密型的。
已有的交通预测方法,主要是路段宏观流量预测法,主要处理过程如下:
采集到车辆身份与位置信息,采集不同路段的交通流态和环境信息(如时间、气候、节气、假日等);
根据车辆身份与位置信息,统计汇总每条路段不同时期的流量;
通过数据挖掘分类方法获得每个路段的决策分析树,也即每个路段在不同条件下的流量和流态;
根据预测时点的环境要素(如时间、气候、节气等),通过决策分析树逐个计算每条路段的流量和流态。
现有技术中这种交通路段宏观流量预测法,主要存在以下缺陷:
1)由于不掌握车流的来源与流向,每个路段的交通预测信息是孤立的、无关联的。无法根据车流的来源/流向及关联路段交通状况实施有针对性的措施,疏解交通的参考指导作用低。
2)无法辅助解决停车难问题;由于宏观流量预测法没能掌握车流的驶离地/目的地,无法提供有关车辆停留的预测信息,也就无法辅助疏解停车难问题。
3)在已有交通设施条件下,解决交通问题最重要的手段是影响公众的出行行为。宏观流量预测法没能提供车辆个体的预测信息,也就没能针对不同人群特点采取相应措施,影响不同群体的出行行为,对公众出行行为的影响力弱,对未来的交通引导作用弱。
4)无法根据个人特点提供个性化交通信息服务。在大量的交通信息淹没下,公众出行辅助作用低。
【发明内容】
鉴于上述问题,提出了本发明,以便提供一种克服上述问题或至少部分地解决上述问题的一种车辆预测方法和预测系统。
本发明适用于稀疏型车辆身份与位置采集系统(如基于RFID电子车牌系统、基于视频车牌识别系统),也适用于致密型车辆身份与位置采集系统(如基于GPS车辆定位与识别系统)。
依据本发明的一个方面,本发明提供一种根据车辆出行预测方法进行路段交通预测的方法,所述方法包括:
进行信息采集,采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
进行行驶路径分析,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
根据行驶路径分析结果,进行车辆行为链分析,分析计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;以及根据所述行驶路径分析结果,进行路段车流阀值计算,计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
根据车辆行为链分析结果,进行车辆行为模式分析,计算每辆车的出行模式;
根据车辆行为模式分析结果,进行车辆出行预测,预测未来每辆车出行的目的地、起始地、行驶路径及其概率与时间;
根据路段车流阀值计算结果和车辆出行预测结果,进行路段交通预测,预测未来不同时期不同路段的流量、流态及车辆来源与目的地。
进一步的,根据上述方法进行地段停车预测的方法,所述方法包括:
根据所述车辆行为链分析结果,进行地段车位信息计算,包括计算车位容量和车位容量复位时间信息;
根据地段车位信息计算结果和车辆出行预测结果,进行地段停车预测,预测未来不同地段的预计停车量和预计车位余量。
进一步的,所述的地段停车预测方法,具体包括:
首先,以车位容量复位时间为起始时间,采用车辆行为链历史数据,统计已来车量、已去车量;
其次,采用车辆出行预测方法,计算截止预测时间的每个时刻的车辆出行状况(目的地、起始地、时间),在按地段统计预计来车量、预计去车量;
最后,预计停车量=(已来车量+预计来车量-(已去车量+预计去车量))*增量系数;
预计车位余量=车位容量-预计停车量。
本发明还提供一种根据车辆出行实时预测方法进行路段交通实时预警的方法,所述方法包括:
进行信息采集,采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
进行行驶路径分析,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
根据行驶路径分析结果,车辆行为链分析,计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;以及根据所述行驶路径分析结果,进行路段车流阀值计算,计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
根据车辆行为链分析结果,进行车辆行为模式分析,计算每辆车的出行模式;
根据车辆行为模式分析结果,进行车辆出行实时预测,根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径;
根据路段车流阀值计算结果和车辆出行实时预测结果,进行路段交通实时预警,根据在路车辆情况实时动态预测下一时刻路段的车流量、流态及车流的来源与目的地。
进一步的,所述的路段交通实时预警方法,具体包括:
首先,采用车辆出行实时预测结果,按路段、到达时间可得知该路段车辆出行预测情况,按实时预测中的车次概率统计,作为路段的车流实时预测量;
其次,按路段、到达时间,也可预知该路段车流的起始地、目的地状况,以及不同路段之间的车流关联关系;
最后,车流实时预测量与路段车流阀值相比对,可实时预知路段的车流状态。
进一步的,根据上述车辆出行实时预测方法进行地段停车实时预警的方法,所述方法包括:
根据所述车辆行为链分析结果,进行地段车位信息计算,包括计算车位容量和车位容量复位时间信息;
根据地段车位信息计算结果和车辆出行实时预测结果,进行地段停车实时预警,实时动态预测地段停车情况,包括预计停车量和可停量。
进一步的,所述的地段停车实时预警方法,具体包括:
首先,以车位容量复位时间为起始时间,采用车辆行为链历史数据,统计已来车量、已去车量;
其次,采用车辆出行实时预测结果,以地段、时间为纬度,以地段来去车次概率为度量统计汇总,统计结果即为地段的预计停车增量;
最后,预计车位余量=车位容量-(已来车量-已去车量+预计停车增量)。
进一步的,所述车辆出行实时预测包括:
起始地计算:查询车辆行为链数据,可得知车辆本次出行的起始地;
当前路段计算:实时采集车辆当前位置,与路段地理信息相比对,得出车辆当前所在路段;
目的地实时预测:实时根据车辆当前所在路段,查询路段与目的地关联概率,可得出多个可能的目的地及其概率;
行驶路径实时预测:实时根据起始地计算、目的地实时预测结果,查询车辆起始/目的地的路径模式,一个目的地可得出多个可能的路径,按照概率算法选择一个路径作为本次路径,并计算到达各路段的时间,由于目的地实时预测结果可能有多个,行驶路径实时预测的结果也有多个,以目的地概率作为路段车次概率;
下一行驶路段预测:根据路段与相邻路段的关联概率,采用概率算法选择一个路段作为当前路段的下一行驶路段预测结果。
进一步的,所述车辆行为链分析包括停留地分析、目的地分析和行为链分析,其中:
停留地分析,是指根据车辆行驶路径数据,计算得出车辆在行驶路径中的停留地及其时间;
目的地分析,是指根据车辆行驶路径数据与车辆停留地数据,计算得出车辆出行目的地及其时间;
行为链分析,是指计算得出每辆车的行为链,包括车辆每次出行的起始地、目的地、行驶路径、中途停留地和时间:按照车辆出行目的地及其时间顺序,对每辆车的行驶路径、停留地、目的地等数据进行分割,获得多个数据集合,每个数据集合为车辆每次出行的行为链。
进一步的,所述车辆行为模式包括:
起始地规律模型:建立不同条件下每辆车的起始地规律模型;
目的地规律模型:建立不同条件下每辆车的目的地规律模型;
出行时间规律模型:建立不同条件下每辆车从起始地到目的地的出发时间规律模型;
起始/目的地的路径模式:为每辆车建立从起始地到目的地的习惯性路径模型,包括途径路段的概率及耗时;
路段与目的地关联概率:也即车辆行驶到某一路段后,可能选择的目的地的概率;
路段与相邻路段的关联概率:也即车辆行驶到某一路段后,可能选择的下一条路段的概率;
车辆增量系数:建立不同条件下车辆总量按照时间的增量系数模型;用于根据未来车辆增量情况修正路段交通预测数据、地段停车预测数据。
本发明还提供一种车辆出行预测系统,所述系统包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
行驶路径分析单元,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
路段车流阀值计算单元,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
车辆行为链分析单元,用于分析计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;
车辆行为模式分析单元,用于分析计算每辆车的出行模式;
车辆出行预测单元,用于预测未来每辆车出行的目的、起始地、行驶路径及其概率与时间。
进一步的,所述路段交通预测系统还包括:
地段车位信息计算单元,用于计算车位容量和车位容量复位时间信息。
本发明还提供一种车辆出行实时预测系统,所述系统包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
行驶路径分析单元,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
路段车流阀值计算单元,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
车辆行为链分析单元,用于分析计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;
车辆行为模式分析单元,用于分析计算每辆车的出行模式;
车辆出行实时预测单元,用于根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径。
进一步的,所述地段停车实时预警系统还包括:
地段车位信息计算单元,用于计算车位容量和车位容量复位时间信息。
进一步的,所述系统还包括信息发布单元,用于对预测结果进行信息发布。
本发明通过个体行为与宏观行为有机融合预测未来交通状况,预测信息完整、拟合度高;结合信息发布与应用,还可针对不同车辆提供个性化的交通预警与建议,通过个性化建议可影响公众的出行行为,从而提高公众出行效率以及交通设施使用效率;交通主管部门可根据未来交通状况采取有针对性的交通措施,降低交通措施的研究与试错成本,提高交通措施的有效性与时效性;本发明可有效辅助解决交通问题,包括交通拥堵、停车难等问题。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的路段交通预测方法及地段停车预测方法的流程示意图。
图2为本发明另一个实施例的路段交通实时预警方法及地段停车实时预警方法的流程示意图。
【具体实施方式】
下面将参照附图更详细的描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明,而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能更透彻的理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了详细的说清楚本发明的交通预测方法,先对本发明用到的各详细的具体细节进行一一的阐述,以备在后续预测方法中能直接引用。
本发明的预测方法会用到的各细节如下:
1)信息采集:主要采集车辆行驶有关信息和交通预测辅助信息,其中:
车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点等信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时等信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量等信息。
交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数等信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况等信息;c)环境信息,比如气候、节气、节假日等信息。
2)行驶路径分析:用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。计算基于路段的车辆行驶路径,包括车牌号、行驶路段、起始时间、结束时间、行驶耗时(=结束时间-起始时间)等信息。把车辆位置信息按时间排序组成车辆的行驶轨迹;再把车辆行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径。
3)路段车流阀值计算:用于计算每条路段在不同流态(如顺畅、拥堵、滞流)下的车流阀值,包括路段、流态、车流承载量阀值等信息。
具体例如:首先人工设定流态时速区间,规定顺畅与拥堵的界定范围,比如设定法定时速×80%以上为顺畅,法定时速×[50%~80%]为拥堵……如此类推;再取行驶路径数据,按路段、行驶起始时段统计平均时速、车次量,与流态时速区间相比对,获得该时段的流态;最后车次量最大的统计结果即为路段、流态的车流承载量阀值。
4)车辆行为链分析:用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。具体包括停留地分析、目的地分析和行为链分析,其中:
停留地分析:通过一种方法计算得出车辆在行驶路径中的停留地。比如时间阀值比较法:首先判断车辆当前位置是否在停车场,如果是则为停留;否则做如下处理:在致密型车辆位置采集系统中,根据车辆在某位置停留时间长度是否超过阀值,如果超过阀值则发生停留;在稀疏型车辆位置采集系统中,人工设定路段行驶耗时阀值,把车辆行驶耗时与路段行驶耗时相比对,判断车辆在该路段是否发生停留,若车辆行驶耗时高于路段行驶耗时,则发生停留。其中路段行驶耗时阀值可根据实践情况调整,以取得最佳值。
目的地分析:通过一种方法计算得出车辆出行的目的地。比如根据车辆折返情况判断,如果车辆在某地停留后,又折返到上一次的停留地,则判断该停留地为目的地。
行为链分析:计算得出每辆车的行为链,包括车辆每次出行的起始地、目的地、行驶路径、中途停留地、时间等。首先组合每辆车的行驶路径、停留地、目的地数据,形成车辆行为轨迹;按照车辆出行目的地及其时间,对车辆行为轨迹数据进行分割,获得多个数据集合,每个数据集合为车辆的单次行为轨迹;再按时间顺序分析得出车辆单次行为轨迹中的起始地、目的地、中间停留地;最终得出车辆每次出行的行为链。
5)车辆行为模式分析:用于分析计算每辆车的出行模式,包括但不限于如下模型:
起始地规律模型:建立不同条件下每辆车的起始地规律模型。比如,选取车辆每次出行时的行为链、交通预测辅助信息作为训练数据,以该车起始地作为分类,通过已知的数据挖掘分类算法建立分类决策树模型,作为每辆车的起始地规律模型。
目的地规律模型:建立不同条件下每辆车的目的地规律模型。比如,选取车辆每次出行时的行为链、交通预测辅助信息作为训练数据,以该车目的地作为分类,通过数据挖掘分类算法建立分类决策树模型,作为每辆车的目的地规律模型。
出行时间规律模型:建立不同条件下每辆车从起始地到目的地的出发时间规律模型。比如,选取车辆从起始地到目的地的行为链、交通预测辅助信息作为训练数据,以该车出行时间(一天内的时间,24小时制)作为分类,通过已知的数据挖掘分类算法建立分类决策树模型,作为每辆车的出行时间规律模型。
起始/目的地的路径模式:为每辆车建立从起始地到目的地的习惯性路径模型,包括途径路段的概率及耗时。比如,从行为链数据中,找出车辆每次从起始地到目的地的行驶路径(行驶路径是由一系列路段及行驶耗时组成的集合),根据所经过路段的行驶耗时,可以计算起始地到达某路段的平均行驶耗时,再通过已知的统计法计算从起始地到目的地的途径路段及其概率。
路段与目的地关联概率:也即车辆行驶到某一路段后,可能选择的目的地的概率。采用行为链数据,通过统计方法计算行驶到每条路段对应的目的地概率。
路段与相邻路段的关联概率:也即车辆行驶到某一路段后,可能选择的下一条路段的概率。采用行为链中的行驶路径数据,通过已知的统计方法计算此概率。
车辆增量系数:也即该地区车辆总量按照时间的车辆增量系数。首先计算增量比例:取上一年度车辆历史基础数据,计算不同月份相比上个月的环比增量比例A;再计算增量系数,设起始月份为M0,预测月份MK,其中每个月对应的环比增量为Ai,则月份MK的车辆增量系数=(1+A0)*(1+A1)*…(1+Ak)。
6)地段车位信息计算:根据车辆行为链数据计算地段的车位信息。车位信息包括车位容量、车位容量复位时间等信息。具体的:
首先,把车辆行为链数据按时间间隔T划分,设S(k)为从起始时间SS到第k个时点的时间,
其次,设C(k)为从SS到S(k)的来车总量,Q(k)为从SS到S(k)的去车总量;采用车辆行为链数据,分别按照目的地、起始地统计从起始时间SS到S(k)的车次,可分别得出来车总量C(k)和去车总量Q(K)。
最后,设E(k)为车位腾出量,则E(k)=Q(k)-C(k)。从SS到第n个时点的车位腾出量集合E={E(0),E(1),E(2)...E(n)}。从集合中找出时间点Tj,使得E(j)大于集合E中的任何数值,此时车位腾出量E(j)即可作为车位容量,时间点Tj即为复位时间点,时间S(j)为车位容量复位时间。
本算法中时间间隔T取值越小,则车位容量、车位容量复位时间与现实的拟合度越高。
7)车辆出行预测:预测未来每辆车出行的目的地/起始地/行驶路径及其概率与时间等。根据给定日期的预测辅助信息,采用起始地规律模型、目的地规律模型、出行时间规律模型,通过已知的归类算法可计算得出未来每辆车的起始地、目的地、出行时间,再根据起始/目的地的路径模式,可计算得知到达不同路段的概率及时间。
8)路段交通预测:预测未来不同时刻不同路段的流量、流态及车辆来源与目的地。采用车辆出行预测数据,按照路段统计可得出未来时刻路段车流量、车流来源与目的地;如果预测时间跨度较大,则车流量应再乘于车辆增量系数。预计车流量与路段车流阀值相比对,可得出路段的车流状态(如顺畅、拥堵、滞流等)。
9)地段停车预测:预测未来不同地段的预计停车量、预计车位余量。具体的:
首先,以车位容量复位时间为起始时间,采用车辆行为链历史数据,统计已来车量、已去车量。
其次,采用车辆出行预测方法,计算截止预测时间的每个时刻的车辆出行状况(目的地、起始地、时间),在按地段统计预计来车量、预计去车量。
最后,预计停车量=(已来车量+预计来车量-(已去车量+预计去车量))*增量系数;
预计车位余量=车位容量-预计停车量。10)车辆出行实时预测,根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径。具体包括:
起始地计算:查询车辆行为链数据,可得知车辆本次出行的起始地。
当前路段计算:实时采集车辆当前位置,与路段地理信息相比对,得出车辆当前所在路段。
目的地实时预测:实时根据车辆当前所在路段,查询路段与目的地关联概率,可得出多个可能的目的地及其概率。
行驶路径实时预测:实时根据起始地计算、目的地实时预测结果,查询车辆起始/目的地的路径模式,一个目的地可得出多个可能的路径,按照概率采用贝叶斯算法选择一个路径作为本次路径,并计算到达各路段的时间。由于目的地实时预测结果可能有多个,行驶路径实时预测的结果也有多个,以目的地概率作为路段车次概率。
下一行驶路段预测:根据路段与相邻路段的关联概率,采用贝叶斯算法选择一个路段作为当前路段的下一行驶路段预测结果。
11)路段交通实时预警:根据在路车辆情况实时预测路段下一时刻的车流量、流态及车流的来源与目的地。具体的,
首先,采用车辆出行实时预测结果,按路段、到达时间可查询该路段车辆出行预测情况,按实时预测中的车次概率统计,作为路段的车流实时预测量。
其次,按路段、到达时间,也可预知该路段车流的起始地、目的地状况,以及不同路段之间的车流关联关系。
最后,车流实时预测量与路段车流阀值相比对,可实时预知路段的车流状态(顺畅、拥堵、滞流等)。
12)地段停车实时预警:实时预测地段停车情况,包括预计停车量、预计车位余量等。具体的:
首先,以车位容量复位时间为起始时间,采用车辆行为链历史数据,统计已来车量、已去车量。
其次,采用车辆出行实时预测结果,以地段、时间为纬度,以地段来去车次概率为度量统计汇总,统计结果即为地段的预计停车增量。
最后,预计车位余量=车位容量-(已来车量-已去车量+预计停车增量)。
13)信息发布:对外发布交通预测信息、实时预警信息,辅助疏解交通、引导公众出行。可按公告方式发布交通预测、预警信息;也可根据车辆出行预测情况,发布个性化的预测预警信息。
本发明提供一种基于车辆行为模式的交通预测方法,能够预测未来每条路段的车流来源与流向,并能掌握不同路段车流的关联关系,为疏解交通提供有力的信息支撑;同时可预知每辆车的出行方式,为其提供个性化有价值的交通预警信息(包括交通拥堵情况、停车难易情况等),辅助公众顺利出行。
作为本发明的一个实施例,本发明提供一种路段交通预测方法,如图1所示,
步骤S11,进行信息采集,采集车辆行驶有关信息和交通预测辅助信息。
步骤S12,进行行驶路径分析,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
步骤S13,根据行驶路径分析数据,进行路段车流阀值计算和车辆行为链分析,其中,路段车流阀值计算,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值等信息;车辆行为链分析,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
步骤S14,根据车辆行为链分析数据,进行车辆行为模式分析,用于分析计算每辆车的出行模式。
步骤S15,根据车辆行为模式分析结果,进行车辆出行预测:预测未来每辆车出行的目的、起始地、行驶路径及其概率与时间。
步骤S16,根据路段车流阀值计算结果和车辆出行预测结果,进行路段交通预测,预测未来不同时刻不同路段的流量、流态及车辆来源与目的地。
步骤S17,对路段交通预测结果进行信息发布。
作为本发明的另一个实施例,本发明提供一种地段停车预测方法,如图1所示,
步骤S110,进行信息采集,采集车辆行驶有关信息和交通预测辅助信息。
步骤S120,进行行驶路径分析,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
步骤S130,根据行驶路径分析数据,进行车辆行为链分析,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
步骤S140,根据车辆行为链分析数据,进行地段车位信息计算和车辆行为模式分析,其中,地段车位信息计算,包括计算车位信息包括车位容量、车位容量复位时间信息;车辆行为模式分析,用于分析计算每辆车的出行模式。
步骤S150,根据车辆行为模式分析结果,进行车辆出行预测:预测未来每辆车出行的目的、起始地、行驶路径及其概率与时间。
步骤S160,根据地段车位信息计算结果和车辆出行预测结果,进行地段停车预测,预测未来不同地段的预计停车量、预计车位余量。
步骤S170,对地段停车预测结果进行信息发布。
根据本发明的另一个实施例,本发明还提供一种路段交通实时预警方法,如图2所示:
步骤S21,进行信息采集,采集车辆行驶有关信息和交通预测辅助信息。
步骤S22,进行行驶路径分析,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
步骤S23,根据行驶路径分析数据,进行路段车流阀值计算和车辆行为链分析,其中,路段车流阀值计算,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值等信息;车辆行为链分析,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
步骤S24,根据车辆行为链分析数据,进行车辆行为模式分析,用于分析计算每辆车的出行模式。
步骤S25,根据车辆行为模式分析结果,进行车辆出行实时预测,根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径。
步骤S26,根据路段车流阀值计算结果和车辆出行实时预测结果,进行路段交通实时预警,根据在路车辆情况实时预测路段下一时刻的车流量、流态及车流的来源与目的地。
步骤S27,对路段交通实时预警结果进行信息发布。
根据本发明的另一个实施例,本发明还提供一种地段停车实时预警方法,如图2所示:
步骤S210,进行信息采集,采集车辆行驶有关信息和交通预测辅助信息。
步骤S220,进行行驶路径分析,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
步骤S230,根据行驶路径分析数据,进行车辆行为链分析,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
步骤S240,根据车辆行为链分析数据,进行地段车位信息计算和车辆行为模式分析,其中,地段车位信息计算,包括计算车位信息包括车位容量、车位容量复位时间信息;车辆行为模式分析,用于分析计算每辆车的出行模式。
步骤S250,根据车辆行为模式分析结果,进行车辆出行实时预测,根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径。
步骤S260,根据地段车位信息计算结果和车辆出行实时预测结果,进行地段停车实时预警,实时预测地段停车情况,包括预计停车量、预计车位余量。
步骤S270,对地段停车实时预警结果进行信息发布。
根据上述原理,本发明还提出了对应的预测系统。根据本发明的一个实施例,一种路段交通预测系统,包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息。
行驶路径分析单元,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
路段车流阀值计算单元,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值等信息。
车辆行为链分析单元,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
车辆行为模式分析单元,用于分析计算每辆车的出行模式。
车辆出行预测单元,用于预测未来每辆车出行的目的、起始地、行驶路径及其概率与时间。
路段交通预测单元,用于预测未来不同时刻不同路段的流量、流态及车辆来源与目的地。
信息发布单元,用于对路段交通预测结果进行信息发布。
根据本发明的另一个实施例,一种地段停车预测系统,包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息。
行驶路径分析单元,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
车辆行为链分析单元,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
地段车位信息计算单元,用于计算车位信息包括车位容量、车位容量复位时间信息。
车辆行为模式分析单元,用于分析计算每辆车的出行模式。
车辆出行预测单元,用于预测未来每辆车出行的目的、起始地、行驶路径及其概率与时间。
地段停车预测单元,用于预测未来不同地段的预计停车量、预计车位余量。
信息发布单元,用于对地段停车预测结果进行信息发布。
根据本发明的另一个实施例,一种路段交通实时预警系统,包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息。
行驶路径分析单元,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
路段车流阀值计算单元,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值等信息。
车辆行为链分析单元,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
车辆行为模式分析单元,用于分析计算每辆车的出行模式。
车辆出行实时预测单元,用于根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径。
路段交通实时预警单元,用于根据在路车辆情况实时预测路段下一时刻的车流量、流态及车流的来源与目的地。
信息发布单元,用于对路段交通实时预警结果进行信息发布。
根据本发明的另一个实施例,一种地段停车实时预警系统,包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息。
行驶路径分析单元,用于计算每辆车以路段为要素的行驶路径,得到行驶路径数据。
车辆行为链分析单元,用于分析计算每辆车的行为链,也即车辆每次出行的目的地、起始地、出行时间、行驶路径、中途停留地等信息。
地段车位信息计算单元,用于计算车位信息包括车位容量、车位容量复位时间信息。
车辆行为模式分析单元,用于分析计算每辆车的出行模式。
车辆出行实时预测单元,用于根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径。
地段停车实时预警单元,用于实时预测地段停车情况,包括预计停车量、预计车位余量。
信息发布单元,用于对地段停车实时预警结果进行信息发布。
通过本发明的上述实施例可以看出,本发明通过个体行为与宏观行为有机融合预测未来交通状况,预测信息完整、拟合度高;同时结合信息发布与应用,本发明可辅助解决交通问题,包括交通拥堵、停车难等问题,并可针对不同车辆提供个性化的交通预警与建议,辅助公众顺利出行。
疏导交通最重要的方法是影响公众的出行行为。本发明即可根据个体行为特征实施个性化导引,提高公众出行效率以及交通设施使用效率;又可根据汇总后的宏观行为特征采取有针对性的交通措施,降低交通措施的研制成本与试错成本,提高交通措施的有效性与时效性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定的编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明内容。
本领域那些技术人员可以理解,可以对实施例中各模块进行自适应性的改变并且把它们设置在与该实施例不同的一个或多个设备中。除非另有明确陈述,本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。
以上所述仅为本发明之较佳实施例,并非用以限定本发明的权利要求保护范围。同时以上说明,对于相关技术领域的技术人员应可以理解及实施,因此其他基于本发明所揭示内容所完成的等同改变,均应包含在本权利要求书的涵盖范围内。
Claims (15)
1.一种根据车辆出行预测方法进行路段交通预测的方法,所述方法包括:
进行信息采集,采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
进行行驶路径分析,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
根据行驶路径分析结果,进行车辆行为链分析,分析计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;以及根据所述行驶路径分析结果,进行路段车流阀值计算,计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
根据车辆行为链分析结果,进行车辆行为模式分析,计算每辆车的出行模式;
根据车辆行为模式分析结果,进行车辆出行预测,预测未来每辆车出行的目的地、起始地、行驶路径及其概率与时间;
根据路段车流阀值计算结果和车辆出行预测结果,进行路段交通预测,预测未来不同时期不同路段的流量、流态及车辆来源与目的地。
2.一种根据权利要求1所述方法进行地段停车预测的方法,所述方法包括:
根据所述车辆行为链分析结果,进行地段车位信息计算,包括计算车位容量和车位容量复位时间信息;
根据地段车位信息计算结果和车辆出行预测结果,进行地段停车预测,预测未来不同地段的预计停车量和预计车位余量。
3.根据权利要求2所述的地段停车预测方法,具体包括:
首先,以车位容量复位时间为起始时间,采用车辆行为链历史数据,统计已来车量、已去车量;
其次,采用车辆出行预测方法,计算截止预测时间的每个时刻的车辆出行状况(目的地、起始地、时间),在按地段统计预计来车量、预计去车量;
最后,预计停车量=(已来车量+预计来车量-(已去车量+预计去车量))*增量系数;
预计车位余量=车位容量-预计停车量。
4.一种根据车辆出行实时预测方法进行路段交通实时预警的方法,所述方法包括:
进行信息采集,采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
进行行驶路径分析,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
根据行驶路径分析结果,车辆行为链分析,计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;以及根据所述行驶路径分析结果,进行路段车流阀值计算,计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
根据车辆行为链分析结果,进行车辆行为模式分析,计算每辆车的出行模式;
根据车辆行为模式分析结果,进行车辆出行实时预测,根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径;
根据路段车流阀值计算结果和车辆出行实时预测结果,进行路段交通实时预警,根据在路车辆情况实时动态预测下一时刻路段的车流量、流态及车流的来源与目的地。
5.根据权利要求4所述的路段交通实时预警方法,具体包括:
首先,采用车辆出行实时预测结果,按路段、到达时间可得知该路段车辆出行预测情况,按实时预测中的车次概率统计,作为路段的车流实时预测量;
其次,按路段、到达时间,也可预知该路段车流的起始地、目的地状况,以及不同路段之间的车流关联关系;
最后,车流实时预测量与路段车流阀值相比对,可实时预知路段的车流状态。
6.一种根据权利要求4所述的车辆出行实时预测方法进行地段停车实时预警的方法,所述方法包括:
根据所述车辆行为链分析结果,进行地段车位信息计算,包括计算车位容量和车位容量复位时间信息;
根据地段车位信息计算结果和车辆出行实时预测结果,进行地段停车实时预警,实时动态预测地段停车情况,包括预计停车量和可停量。
7.根据权利要求6所述的地段停车实时预警方法,具体包括:
首先,以车位容量复位时间为起始时间,采用车辆行为链历史数据,统计已来车量、已去车量;
其次,采用车辆出行实时预测结果,以地段、时间为纬度,以地段来去车次概率为度量统计汇总,统计结果即为地段的预计停车增量;
最后,预计车位余量=车位容量-(已来车量-已去车量+预计停车增量)。
8.根据权利要求4所述的方法,其特征在于,所述车辆出行实时预测包括:
起始地计算:查询车辆行为链数据,可得知车辆本次出行的起始地;
当前路段计算:实时采集车辆当前位置,与路段地理信息相比对,得出车辆当前所在路段;
目的地实时预测:实时根据车辆当前所在路段,查询路段与目的地关联概率,可得出多个可能的目的地及其概率;
行驶路径实时预测:实时根据起始地计算、目的地实时预测结果,查询车辆起始/目的地的路径模式,一个目的地可得出多个可能的路径,按照概率算法选择一个路径作为本次路径,并计算到达各路段的时间,由于目的地实时预测结果可能有多个,行驶路径实时预测的结果也有多个,以目的地概率作为路段车次概率;
下一行驶路段预测:根据路段与相邻路段的关联概率,采用概率算法选择一个路段作为当前路段的下一行驶路段预测结果。
9.根据权利要求1-8任一所述的方法,其特征在于:
所述车辆行为链分析包括停留地分析、目的地分析和行为链分析,其中:
停留地分析,是指根据车辆行驶路径数据,计算得出车辆在行驶路径中的停留地及其时间;
目的地分析,是指根据车辆行驶路径数据与车辆停留地数据,计算得出车辆出行目的地及其时间;
行为链分析,是指计算得出每辆车的行为链,包括车辆每次出行的起始地、目的地、行驶路径、中途停留地和时间:按照车辆出行目的地及其时间顺序,对每辆车的行驶路径、停留地、目的地等数据进行分割,获得多个数据集合,每个数据集合为车辆每次出行的行为链。
10.根据权利要求1-8任一所述的方法,其特征在于,所述车辆行为模式包括:
起始地规律模型:建立不同条件下每辆车的起始地规律模型;
目的地规律模型:建立不同条件下每辆车的目的地规律模型;
出行时间规律模型:建立不同条件下每辆车从起始地到目的地的出发时间规律模型;
起始/目的地的路径模式:为每辆车建立从起始地到目的地的习惯性路径模型,包括途径路段的概率及耗时;
路段与目的地关联概率:也即车辆行驶到某一路段后,可能选择的目的地的概率;
路段与相邻路段的关联概率:也即车辆行驶到某一路段后,可能选择的下一条路段的概率;
车辆增量系数:建立不同条件下车辆总量按照时间的增量系数模型;用于根据未来车辆增量情况修正路段交通预测数据、地段停车预测数据。
11.一种车辆出行预测系统,所述系统包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
行驶路径分析单元,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
路段车流阀值计算单元,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
车辆行为链分析单元,用于分析计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;
车辆行为模式分析单元,用于分析计算每辆车的出行模式;
车辆出行预测单元,用于预测未来每辆车出行的目的、起始地、行驶路径及其概率与时间。
12.一种基于权利要求11所述车辆出行预测系统的地段停车预测系统,所述路段交通预测系统还包括:
地段车位信息计算单元,用于计算车位容量和车位容量复位时间信息。
13.一种车辆出行实时预测系统,所述系统包括:
信息采集单元,用于采集车辆行驶有关信息和交通预测辅助信息,所述车辆行驶有关信息包括:a)车辆身份与位置信息,包括但不限于管辖区域内每辆车的实时位置、车牌号、时间点信息;b)路段基础信息,包括但不限于路段编码、名称、路段地理位置、车辆普遍行驶耗时信息;c)停车场基础信息,包括但不限于停车场编码、名称、区域范围、可停车数量信息;所述交通预测辅助信息包括:a)车辆基础信息,包括但不限于车牌号、车辆类型、型号规格、额定载重量、额定乘客数信息;b)路段辅助信息,包括但不限于道路等级、路况、维修状况信息;c)环境信息,包括但不限于气候、节气、节假日信息;
行驶路径分析单元,用于把车辆位置信息按时间排序组成车辆的行驶轨迹,再把所述车辆的行驶轨迹与路段的地理位置信息相比对,得到以路段为要素的车辆行驶路径,计算每辆车以路段为要素的行驶路径,得到行驶路径数据,所述数据包括车牌号、行驶路段、起始时间、结束时间、行驶耗时信息;
路段车流阀值计算单元,用于计算每条路段在不同流态下的车流阀值,包括路段、流态、车流承载量阀值信息;
车辆行为链分析单元,用于分析计算每辆车的行为链,包括每辆车每次出行的目的地、起始地、出行时间、行驶路径、中途停留地信息;
车辆行为模式分析单元,用于分析计算每辆车的出行模式;
车辆出行实时预测单元,用于根据在路行驶的车辆,实时动态预测车辆的目的地和行驶路径。
14.一种基于权利要求13所述车辆实时出行预测系统的地段停车实时预警系统,所述地段停车实时预警系统还包括:
地段车位信息计算单元,用于计算车位容量和车位容量复位时间信息。
15.一种如权利要求11-14的任一权利要求所述的系统,其特征在于:
所述系统还包括信息发布单元,用于对预测结果进行信息发布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510564799.1A CN105185115B (zh) | 2015-09-07 | 2015-09-07 | 一种交通预测方法和预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510564799.1A CN105185115B (zh) | 2015-09-07 | 2015-09-07 | 一种交通预测方法和预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105185115A CN105185115A (zh) | 2015-12-23 |
CN105185115B true CN105185115B (zh) | 2018-04-06 |
Family
ID=54907158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510564799.1A Active CN105185115B (zh) | 2015-09-07 | 2015-09-07 | 一种交通预测方法和预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105185115B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488597B (zh) * | 2015-12-28 | 2020-01-07 | 中国民航信息网络股份有限公司 | 旅客目的地预测方法及系统 |
CN105489056B (zh) * | 2015-12-28 | 2018-01-26 | 中兴软创科技股份有限公司 | 一种基于od矩阵的停车需求预测方法 |
CN105869404A (zh) * | 2016-05-25 | 2016-08-17 | 成都联众智科技有限公司 | 交通拥堵预警系统 |
CN106297274A (zh) * | 2016-10-09 | 2017-01-04 | 上海五零盛同信息科技有限公司 | 智慧灯杆及城市路况预测方法 |
CN108257378B (zh) * | 2016-12-29 | 2020-05-19 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN106961472A (zh) * | 2017-03-05 | 2017-07-18 | 潘小胜 | 一种自行车数据网络指令发送系统 |
CN107134137A (zh) * | 2017-05-25 | 2017-09-05 | 东南大学 | 一种考虑实时信息的动态路径选择方法 |
CN108961744A (zh) * | 2017-06-03 | 2018-12-07 | 广东联大智能科技有限公司 | 智慧出行的系统和终端 |
CN110945557B (zh) * | 2017-07-28 | 2023-08-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定到达的预估时间的系统和方法 |
CN107240254B (zh) * | 2017-08-02 | 2019-08-13 | 河北冀通慧达科技有限公司 | 交通路况预测方法及终端设备 |
CN107610464B (zh) * | 2017-08-11 | 2019-02-12 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN107622673A (zh) * | 2017-09-22 | 2018-01-23 | 广东方纬科技有限公司 | 一种基于卡口数据的停车需求分析方法、系统和装置 |
CN108776902A (zh) * | 2018-05-08 | 2018-11-09 | 西安艾润物联网技术服务有限责任公司 | 根据停车场运营的历史数据管理停车场的方法、存储介质、服务器和停车场管理系统 |
CN108615354A (zh) * | 2018-05-09 | 2018-10-02 | 厦门卫星定位应用股份有限公司 | 一种多车队冲突预警方法及介质 |
CN109993215B (zh) * | 2019-03-08 | 2021-08-24 | 浙江大学 | 一种基于交通大数据的路径诱导方法 |
CN111915877A (zh) * | 2019-05-08 | 2020-11-10 | 阿里巴巴集团控股有限公司 | 一种车流路径分布信息的处理方法、装置及电子设备 |
CN110570650B (zh) * | 2019-05-17 | 2021-05-11 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110675629B (zh) * | 2019-10-08 | 2021-12-24 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN111583634A (zh) * | 2019-10-22 | 2020-08-25 | 张斌 | 一种基于智慧城市的大数据分析方法 |
CN110827540B (zh) * | 2019-11-04 | 2021-03-12 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN111586951B (zh) * | 2020-04-30 | 2021-09-14 | 珠海格力电器股份有限公司 | 酒店照明装置的控制方法、控制装置、系统及存储介质 |
CN111653114A (zh) * | 2020-06-12 | 2020-09-11 | 北京百度网讯科技有限公司 | 信息提醒方法、装置、电子设备及存储介质 |
CN112037518B (zh) * | 2020-09-15 | 2022-03-25 | 浙江吉利控股集团有限公司 | 一种用于预测交通状态的计算方法、系统及车辆 |
JP2022157578A (ja) * | 2021-03-31 | 2022-10-14 | トヨタ自動車株式会社 | 計画提案装置、システム、車両、及び計画提案方法 |
CN113763700B (zh) * | 2021-04-26 | 2022-09-20 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
CN115440043B (zh) * | 2021-09-26 | 2023-07-25 | 国信军创(岳阳)六九零六科技有限公司 | 基于rfid车辆识别实时路况信息道路监控管理系统 |
CN115457766B (zh) * | 2022-08-31 | 2023-08-08 | 华迪计算机集团有限公司 | 一种用于预测道路拥堵状态的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646187A (zh) * | 2013-12-27 | 2014-03-19 | 中国科学院自动化研究所 | 一种统计周期内车辆出行路线及od矩阵获取方法 |
CN104054119A (zh) * | 2012-01-20 | 2014-09-17 | 丰田自动车株式会社 | 车辆行为预测装置及车辆行为预测方法、以及驾驶支援装置 |
CN104123833A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种道路状况的规划方法和装置 |
CN104318803A (zh) * | 2014-10-21 | 2015-01-28 | 小米科技有限责任公司 | 停车信息预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813870B2 (en) * | 2006-03-03 | 2010-10-12 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
-
2015
- 2015-09-07 CN CN201510564799.1A patent/CN105185115B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104054119A (zh) * | 2012-01-20 | 2014-09-17 | 丰田自动车株式会社 | 车辆行为预测装置及车辆行为预测方法、以及驾驶支援装置 |
CN104123833A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种道路状况的规划方法和装置 |
CN103646187A (zh) * | 2013-12-27 | 2014-03-19 | 中国科学院自动化研究所 | 一种统计周期内车辆出行路线及od矩阵获取方法 |
CN104318803A (zh) * | 2014-10-21 | 2015-01-28 | 小米科技有限责任公司 | 停车信息预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105185115A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105185115B (zh) | 一种交通预测方法和预测系统 | |
CN102819955B (zh) | 基于车辆行程数据的道路网运行评价方法 | |
Lin et al. | A review of travel-time prediction in transport and logistics | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN103956050B (zh) | 基于车辆行程数据的道路网运行评价方法 | |
Akin et al. | A neural network (NN) model to predict intersection crashes based upon driver, vehicle and roadway surface characteristics | |
CN105608889B (zh) | 一种车辆停留分析方法 | |
CN102592447A (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN110807926B (zh) | 一种基于混合交通的道路阻抗预测方法及装置 | |
Du et al. | Artificial neural network model for estimating temporal and spatial freeway work zone delay using probe-vehicle data | |
US20220327925A1 (en) | Method and system of predictive traffic flow and of traffic light control | |
CN114819305B (zh) | 一种基于碳排放度量尺度下的路径规划方法 | |
CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
Gomes et al. | Calibration of VISSIM for a Congested Freeway | |
Paľo et al. | The comparison of automatic traffic counting and manual traffic counting | |
Rakha et al. | Evaluating alternative truck management strategies along interstate 81 | |
CN109785627A (zh) | 一种十字路口交通流量监控系统 | |
CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
CN115762169A (zh) | 一种环卫车无人驾驶的智能控制系统及方法 | |
Chen et al. | Using automatic passenger counter data in bus arrival time prediction | |
CN117218836B (zh) | 一种基于智慧城市的城市规划项目综合管理信息平台 | |
Lee et al. | Traffic speed prediction under weekday, time, and neighboring links’ speed: Back propagation neural network approach | |
Jintanakul et al. | Bayesian mixture model for estimating freeway travel time distributions from small probe samples from multiple days | |
Elleuch et al. | Towards an efficient traffic congestion prediction method based on neural networks and big GPS data | |
CN114241767B (zh) | 基于智慧交通综合数据仓城市体检数据分析方法及系统 |
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 |