CN105405293A - 一种道路旅行时间短期预测方法和系统 - Google Patents
一种道路旅行时间短期预测方法和系统 Download PDFInfo
- Publication number
- CN105405293A CN105405293A CN201510980309.6A CN201510980309A CN105405293A CN 105405293 A CN105405293 A CN 105405293A CN 201510980309 A CN201510980309 A CN 201510980309A CN 105405293 A CN105405293 A CN 105405293A
- Authority
- CN
- China
- Prior art keywords
- travel time
- value
- real
- road
- cycle
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路旅行时间短期预测方法和系统,预测方法为利用当前采样周期计算的实际旅行时间值、历史采样周期的历史旅行时间值与平滑系数的关系确定道路旅行时间短期预测值,能够准确预测未来一段时间之内车辆通过通行区间的旅行时间。本发明可以通过现有的电子警察、交通卡口、电子车牌等多种设备实现车辆信息的实时采集,预测旅行时间数据根据历史规律和当前实时数据综合得出,具有变化平稳、波动性小的特点,能够很好的描述历史交通状态变化特性和实时趋势。本发明预测准确度高,20分钟内短期预测准确度高达90%,而且算法简单、便于实现,运算速度快,不涉及其他趋势等变量,简化了系统复杂度,便于在工程中灵活使用。
Description
技术领域
本发明涉及一种智能交通领域,具体地说,是涉及一种道路旅行时间短期预测方法和系统。
背景技术
随着城市化进程的迅速推进,人们生活水平日益提高,城市机动车保有量飞速增长,随之带来的是城市道路交通拥堵现象日趋严重。对城市道路交通路况进行自动、及时的判定,为出行者提供城市道路旅行时间的短期预测,有助于出行者选择合适的时段出行,节约时间,并减缓城市交通拥堵现象,提高城市道路交通综合管理水平。
区间旅行时间是反映城市道路运行状况的一个重要因素。准确的旅行时间预测可以为出行者提供未来的交通状况及变化趋势,指导用户选择合理的出行时间、出行方式、出行路径,改善城市道路网交通流分布的时空不均匀性。
公开号为CN103745106A的发明专利公开了一种预测快速路未来时刻所需旅行时间的系统及方法,采用视频跟踪单元对车辆进行连续跟踪,可以获得车辆在每一视频跟踪单元的跟踪范围内所需要的旅行时间,从而能够对未来路况进行准确的判断,进一步可以精准的预测未来的旅行时间。该方法只适应于城市快速路,但对于城市一般性道路,受交叉口信号控制与交通流拥堵态势变化的影响,该方法预测准确度不高。
公开号为CN105006147A的发明专利公开了一种基于道路时空关联关系的路段行程时间推断方法,包括步骤1:基于交叉口运行状态对路段行程时间交通数据进行统计;步骤2:基于通行模式周期性提取目标路段与邻接路段之间的特征关系;步骤3:基于三层神经网络模型对目标路段行程时间进行预测。该方法采用了三层神经网络计算,需要大量的历史数据进行离线分析,训练过程中受事件、管制等影响较大,可能造成预测结果不到收敛,准确度不高,目前在实际的工程中具有不可操作性。
发明内容
本发明提供了一种道路旅行时间短期预测方法,解决了现有预测方法适用范围小、不能适应所有道路,检测准确度不高的技术问题。
为了解决上述技术问题,本发明采用以下技术方案予以实现:
一种道路旅行时间短期预测方法,所述方法如下:
计算采样周期k实际旅行时间值获取采样周期k内车辆i通过通行区间上游、下游两处时的过车时刻tiu和tid,计算车辆i通过通行区间所用时间Ti=tid-tiu,通过Ti计算采样周期k实际旅行时间值
计算采样周期k的历史旅行时间值抽取m个历史采样周期k的实际旅行时间值xj(k),通过xj(k)计算采样周期k的历史旅行时间值
道路旅行时间短期预测值α为事先确定的平滑系数;
其中,i=1、2、3、…、n;j=1、2、3、…、m。
如上所述的道路旅行时间短期预测方法,通过xj(k)计算采样周期k的历史旅行时间值的方法为:采样周期k的历史旅行时间值为符合公式的xj(k)的平均数,其中, 为m个历史采样周期k的实际旅行时间值xj(k)的平均数。
如上所述的道路旅行时间短期预测方法,通过Ti计算采样周期k实际旅行时间值的方法为:将n个Ti由小到大排列并划分为至少三组,采样周期k实际旅行时间值为至少一个中间组的所有Ti的平均值。
如上所述的道路旅行时间短期预测方法,将n个Ti由小到大排列并划分为四组,采样周期k实际旅行时间值为中间两组的所有Ti的平均值。
如上所述的道路旅行时间短期预测方法,将n个Ti由小到大排列并划分为四组,每组的序号为:[1、…、[(n+1)/4]]、[[(n+1)/4])+1、…、[2*(n+1)/4]]、[[2*(n+1)/4])+1、…、[3*(n+1)/4]]、[[3*(n+1)/4]+1、…、n]。
如上所述的道路旅行时间短期预测方法,所述α为使平均绝对相对误差MARE≤设定值的系数,tx为第x个历史采样周期k的同一车辆通过通行区间上游、下游两处的真实旅行时间,Fx(k)为第x个历史采样周期k的道路旅行时间短期预测值,其中,x=1、2、3、…、p。
基于上述道路旅行时间短期预测方法的设计,本发明还提出了一种道路旅行时间短期预测系统,所述系统包括:
采样周期实际旅行时间值计算模块,用于获取采样周期k内车辆i通过通行区间上游、下游两处时的过车时刻tiu和tid,计算车辆i通过通行区间所用时间Ti=tid-tiu,通过所述Ti计算采样周期k实际旅行时间值
采样周期k的历史旅行时间值计算模块,用于抽取m个历史采样周期k的实际旅行时间值xj(k),通过所述xj(k)计算采样周期k的历史旅行时间值
道路旅行时间短期预测值计算模块,用于根据和计算道路旅行时间短期预测值,所述道路旅行时间短期预测值α为事先确定的平滑系数;
其中,i=1、2、3、…、n;j=1、2、3、…、m。
如上所述的道路旅行时间短期预测系统,所述采样周期k的历史旅行时间值为符合公式 的xj(k)的平均数,其中, 为m个历史采样周期k的实际旅行时间值xj(k)的平均数。
如上所述的道路旅行时间短期预测系统,所述采样周期k实际旅行时间值为至少一个中间组的Ti的平均值,所述中间组为将n个Ti由小到大排列并划分为至少三组去除首尾两组的其他组。
如上所述的道路旅行时间短期预测系统,所述平滑系数α为使平均绝对相对误差MARE≤设定值的系数,tx为第x个历史采样周期k的同一车辆通过通行区间上游、下游两处的真实旅行时间,Fx(k)为第x个历史采样周期k的道路旅行时间短期预测值,其中,x=1、2、3、…、p。
与现有技术相比,本发明的优点和积极效果是:本发明利用当前采样周期计算的实际旅行时间值、历史采样周期的历史旅行时间值与平滑系数的关系确定道路旅行时间短期预测值,能够准确预测未来一段时间之内车辆通过通行区间的旅行时间。本发明可以通过现有的电子警察、交通卡口、电子车牌等多种设备实现车辆信息的实时采集,预测旅行时间数据根据历史规律和当前实时数据综合得出,具有变化平稳、波动性小的特点,能够很好的描述历史交通状态变化特性和实时趋势。本发明预测准确度高,20分钟内短期预测准确度高达90%,而且算法简单、便于实现,运算速度快,不涉及其他趋势等变量,简化了系统复杂度,便于在工程中灵活使用。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明具体实施例预测方法的流程图。
图2是本发明具体实施例的系统原理框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细地说明:
如图1所示,本实施例提出了一种道路旅行时间短期预测方法,包括如下步骤:
S1:对通过通行区间上游、下游两处的车辆的车牌数据进行采集与存储。即对通行区间的上游驶入的以及从通行区间的下游驶出的车辆的车牌数据进行采集与存储。
具体的,车牌数据主要通过通行区间上游以及下游的数据采集设备(电子警察、交通卡口、电子车牌等)进行采集。车牌数据采集包括:在通行区间的上游实时采集通过上游停车线断面并驶入通行区间的车牌数据;在通行区间的下游实时采集通过下游停车线断面并驶出通行区间的车牌数据。
S2:获取当前时间之前的设定时间段内(采样周期k)在所述通行区间的上游、下游采集的车辆的车牌数据。
具体地,获取第一数据采集集合和第二数据采集集合;其中,第一数据采集集合中包括了当前时间之前的设定时间段内在通行区间的上游采集的驶入通行区间的车车辆的车牌数据;第二数据采集集合中包括了当前时间之前的设定时间段内在通行区间的下游采集的驶出通行区间的车辆的车牌数据。在实际应用中,设定时间段具体为车牌数据的一个采样周期,且第一数据采集集合和第二数据采集集合中的车牌数据为当前采样周期所采集到的车牌数据。在每个采样周期到达时,获取当前时间之前的一个采样周期内采集的上游、以及下游的车辆的车牌数据。
S3:对采样周期k内获取的通行区间的上游以及下游的车牌数据,进行车牌匹配。
具体地,对于第二数据采集集合中的每个车牌数据,若在第一数据采集集合中查找到与之相匹配的车牌数据,则将该车牌数据确定为待统计的车牌数据,将具有该车牌数据的车辆确定为待统计车辆i,其中,i=1、2、3、…、n,n为采样周期k内待统计车辆的总数。将一个采样周期内仅通过通行区间上游或者下游的车辆的车牌数据进行排除。
S4、获取采样周期k内车辆i通过通行区间上游、下游两处时的过车时刻tiu和tid,计算车辆i通过通行区间所用时间Ti=tid-tiu。
具体的,对采样周期内,通过通行区间上游、下游两处的车辆的过车时刻进行记录和存储,根据过车时刻计算每辆车通过通行区间所用时间T1、T2、T3、…、Tn。
S5、根据n辆车通过通行区间所用时间Ti计算采样周期k实际旅行时间值
具体的,将n个Ti由小到大排列并划分为至少三组,采样周期k实际旅行时间值为至少一个中间组的所有Ti的平均值。
优选的,本实施例采用四分位数的方案剔除小概率数据,不受两端各25%数值的影响,以最大限度的保证当前计算的旅行时间具有代表性,提高预测精确度。具体的,将n个Ti由小到大排列并划分为四组,采样周期k实际旅行时间值为中间两组的所有Ti的平均值。
其中,将n个Ti由小到大排列并划分为四组,每组的序号为:[1、…、[(n+1)/4]]、[[(n+1)/4])+1、…、[2*(n+1)/4]]、[[2*(n+1)/4])+1、…、[3*(n+1)/4]]、[[3*(n+1)/4]+1、…、n]。
S6、计算采样周期k的历史旅行时间值j=1、2、3、…、m。其中,历史旅行时间值是一般指3个月内的同周期旅行时间。每天有且仅有一个相同的采样周期k。
具体的,抽取m个历史采样周期k的实际旅行时间值xj(k)。通过xj(k)计算采样周期k的历史旅行时间值采样周期k的历史旅行时间值为符合公式的xj(k)的平均数,其中, 为m个历史采样周期k的实际旅行时间值xj(k)的平均数。可以排除小概率的历史旅行时间数据,对大概率的历史旅行时间数据的平均数即为采样周期k的历史旅行时间值,以最大限度的保证历史旅行时间数据具有代表性,提高预测精确度。
S7、道路旅行时间短期预测值α为事先确定的平滑系数。α优选为0.8,当然,α根据下述方式确定,可根据实际情况进行调整。
其中,α为使平均绝对相对误差MARE≤设定值的系数,设定值优选为20%。tx为第x个历史采样周期k的同一车辆通过通行区间上游、下游两处的真实旅行时间,即实测时间,Fx(k)为第x个历史采样周期k的道路旅行时间短期预测值,其中,x=1、2、3、…、p,p为选取的历史采样周期k的道路旅行时间短期预测值的总个数。
本实施例的道路旅行时间预测方法为预测未来一段时间之内的旅行时间,例如未来20分钟之内的旅行时间,因而,一天之内设置有若干采样周期k,k=1、2、3、…,k的最大数值可根据实际情况确定,相邻两个采样周期的间隔时间小于预测未来时间段,例如,相邻两个采样周期的间隔时间为5分钟,每个采样周期都可以预测未来20分钟之内的旅行时间,以提供更为精确的预测。
基于上述一种道路旅行时间短期预测方法的设计,本实施例还提出了一种道路旅行时间短期预测系统,包括:
采样周期实际旅行时间值计算模块,用于获取采样周期k内车辆i通过通行区间上游、下游两处时的过车时刻tiu和tid,计算车辆i通过通行区间所用时间Ti=tid-tiu,通过所述Ti计算采样周期k实际旅行时间值所述采样周期k实际旅行时间值为至少一个中间组的Ti的平均值,所述中间组为将n个Ti由小到大排列并划分为至少三组去除首尾两组的其他组。本实施例优选将n个Ti由小到大排列并划分为四组,采样周期k实际旅行时间值为中间两组的所有Ti的平均值。将n个Ti由小到大排列并划分为四组,每组的序号为:[1、…、[(n+1)/4]]、[[(n+1)/4])+1、…、[2*(n+1)/4]]、[[2*(n+1)/4])+1、…、[3*(n+1)/4]]、[[3*(n+1)/4]+1、…、n]。
采样周期k的历史旅行时间值计算模块,用于抽取m个历史采样周期k的实际旅行时间值xj(k),通过所述xj(k)计算采样周期k的历史旅行时间值所述采样周期k的历史旅行时间值为符合公式的xj(k)的平均数,其中, 为m个历史采样周期k的实际旅行时间值xj(k)的平均数。
道路旅行时间短期预测值计算模块,用于根据和计算道路旅行时间短期预测值,所述道路旅行时间短期预测值α为事先确定的平滑系数;
其中,i=1、2、3、…、n;j=1、2、3、…、m。
平滑系数α为使平均绝对相对误差MARE≤设定值的系数,tx为第x个历史采样周期k的同一车辆通过通行区间上游、下游两处的真实旅行时间,Fx(k)为第x个历史采样周期k的道路旅行时间短期预测值,其中,x=1、2、3、…、p。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种道路旅行时间短期预测方法,其特征在于,所述方法如下:
计算采样周期k实际旅行时间值获取采样周期k内车辆i通过通行区间上游、下游两处时的过车时刻tiu和tid,计算车辆i通过通行区间所用时间Ti=tid-tiu,通过Ti计算采样周期k实际旅行时间值
计算采样周期k的历史旅行时间值抽取m个历史采样周期k的实际旅行时间值xj(k),通过xj(k)计算采样周期k的历史旅行时间值
道路旅行时间短期预测值α为事先确定的平滑系数;
其中,i=1、2、3、…、n;j=1、2、3、…、m。
2.根据权利要求1所述的道路旅行时间短期预测方法,其特征在于:通过xj(k)计算采样周期k的历史旅行时间值的方法为:采样周期k的历史旅行时间值为符合公式的xj(k)的平均数,其中, 为m个历史采样周期k的实际旅行时间值xj(k)的平均数。
3.根据权利要求1所述的道路旅行时间短期预测方法,其特征在于,通过Ti计算采样周期k实际旅行时间值的方法为:将n个Ti由小到大排列并划分为至少三组,采样周期k实际旅行时间值为至少一个中间组的所有Ti的平均值。
4.根据权利要求3所述的道路旅行时间短期预测方法,其特征在于,将n个Ti由小到大排列并划分为四组,采样周期k实际旅行时间值为中间两组的所有Ti的平均值。
5.根据权利要求4所述的道路旅行时间短期预测方法,其特征在于,将n个Ti由小到大排列并划分为四组,每组的序号为:[1、…、[(n+1)/4]]、[[(n+1)/4])+1、…、[2*(n+1)/4]]、[[2*(n+1)/4])+1、…、[3*(n+1)/4]]、[[3*(n+1)/4]+1、…、n]。
6.根据权利要求1-5任意一项所述的道路旅行时间短期预测方法,其特征在于,所述α为使平均绝对相对误差MARE≤设定值的系数,tx为第x个历史采样周期k的同一车辆通过通行区间上游、下游两处的真实旅行时间,Fx(k)为第x个历史采样周期k的道路旅行时间短期预测值,其中,x=1、2、3、…、p。
7.一种道路旅行时间短期预测系统,其特征在于,所述系统包括:
采样周期实际旅行时间值计算模块,用于获取采样周期k内车辆i通过通行区间上游、下游两处时的过车时刻tiu和tid,计算车辆i通过通行区间所用时间Ti=tid-tiu,通过所述Ti计算采样周期k实际旅行时间值
采样周期k的历史旅行时间值计算模块,用于抽取m个历史采样周期k的实际旅行时间值xj(k),通过所述xj(k)计算采样周期k的历史旅行时间值
道路旅行时间短期预测值计算模块,用于根据和计算道路旅行时间短期预测值,所述道路旅行时间短期预测值α为事先确定的平滑系数;
其中,i=1、2、3、…、n;j=1、2、3、…、m。
8.根据权利要求7所述的道路旅行时间短期预测系统,其特征在于,所述采样周期k的历史旅行时间值为符合公式的xj(k)的平均数,其中, 为m个历史采样周期k的实际旅行时间值xj(k)的平均数。
9.根据权利要求7所述的道路旅行时间短期预测系统,其特征在于,所述采样周期k实际旅行时间值为至少一个中间组的Ti的平均值,所述中间组为将n个Ti由小到大排列并划分为至少三组去除首尾两组的其他组。
10.根据权利要求7所述的道路旅行时间短期预测系统,其特征在于,所述平滑系数α为使平均绝对相对误差MARE≤设定值的系数,tx为第x个历史采样周期k的同一车辆通过通行区间上游、下游两处的真实旅行时间,Fx(k)为第x个历史采样周期k的道路旅行时间短期预测值,其中,x=1、2、3、…、p。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710498428.7A CN107085943B (zh) | 2015-12-23 | 2015-12-23 | 一种道路旅行时间短期预测方法和系统 |
CN201510980309.6A CN105405293B (zh) | 2015-12-23 | 2015-12-23 | 一种道路旅行时间短期预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510980309.6A CN105405293B (zh) | 2015-12-23 | 2015-12-23 | 一种道路旅行时间短期预测方法和系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710498428.7A Division CN107085943B (zh) | 2015-12-23 | 2015-12-23 | 一种道路旅行时间短期预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405293A true CN105405293A (zh) | 2016-03-16 |
CN105405293B CN105405293B (zh) | 2017-09-01 |
Family
ID=55470755
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710498428.7A Active CN107085943B (zh) | 2015-12-23 | 2015-12-23 | 一种道路旅行时间短期预测方法和系统 |
CN201510980309.6A Active CN105405293B (zh) | 2015-12-23 | 2015-12-23 | 一种道路旅行时间短期预测方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710498428.7A Active CN107085943B (zh) | 2015-12-23 | 2015-12-23 | 一种道路旅行时间短期预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN107085943B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702036A (zh) * | 2016-03-23 | 2016-06-22 | 深圳市金溢科技股份有限公司 | 一种车辆行驶时间计算方法、装置及系统 |
CN105825675A (zh) * | 2016-05-17 | 2016-08-03 | 青岛海信网络科技股份有限公司 | 一种基于大数据的路段旅行时间计算方法和装置 |
CN106097710A (zh) * | 2016-06-27 | 2016-11-09 | 安徽四创电子股份有限公司 | 基于交通场面雷达的高架桥行程时间短时预测方法 |
CN107886715A (zh) * | 2016-09-30 | 2018-04-06 | 日本电气株式会社 | 道路行驶时间的预测方法和系统 |
CN108399748A (zh) * | 2018-03-08 | 2018-08-14 | 重庆邮电大学 | 一种基于随机森林与聚类算法的道路旅行时间预测方法 |
CN108564793A (zh) * | 2018-05-31 | 2018-09-21 | 重庆大学 | 一种基于rfid电子车牌数据的行程时间预测方法 |
CN108629982A (zh) * | 2018-05-16 | 2018-10-09 | 中山大学 | 一种基于旅行时间分布规律的路段车辆数估计方法 |
CN110619748A (zh) * | 2019-10-22 | 2019-12-27 | 江苏广宇协同科技发展研究院有限公司 | 基于交通大数据的交通状况分析与预测方法、装置及系统 |
CN111667689A (zh) * | 2020-05-06 | 2020-09-15 | 浙江师范大学 | 车辆旅行时间预测的方法、设备和计算机设备 |
CN112991798A (zh) * | 2019-12-12 | 2021-06-18 | 沈阳美行科技有限公司 | 基于通行速度数据的道路线段行驶时间确定方法及装置 |
CN113112795A (zh) * | 2021-04-06 | 2021-07-13 | 中移(上海)信息通信科技有限公司 | 一种路况预测方法、装置及设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110470314B (zh) * | 2018-05-09 | 2024-05-24 | 阿里巴巴(中国)有限公司 | Eta模型生成方法和装置、eta预测方法和装置、电子设备 |
CN109035761B (zh) * | 2018-06-25 | 2021-06-04 | 复旦大学 | 基于辅助监督学习的行程时间估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
CN101882374A (zh) * | 2009-05-04 | 2010-11-10 | 上海宝康电子控制工程有限公司 | 一种车辆行程分布综合信息分析系统及方法 |
CN103258430A (zh) * | 2013-04-26 | 2013-08-21 | 青岛海信网络科技股份有限公司 | 路段旅行时间统计、以及交通路况判定方法和装置 |
CN104464320A (zh) * | 2014-12-15 | 2015-03-25 | 东南大学 | 基于真实路网特性及动态行程时间的最短路径诱导方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794345B (zh) * | 2009-12-30 | 2013-05-15 | 北京世纪高通科技有限公司 | 一种数据处理方法及装置 |
CN103578274B (zh) * | 2013-11-15 | 2015-11-04 | 北京四通智能交通系统集成有限公司 | 一种交通流预测方法及装置 |
-
2015
- 2015-12-23 CN CN201710498428.7A patent/CN107085943B/zh active Active
- 2015-12-23 CN CN201510980309.6A patent/CN105405293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
CN101882374A (zh) * | 2009-05-04 | 2010-11-10 | 上海宝康电子控制工程有限公司 | 一种车辆行程分布综合信息分析系统及方法 |
CN103258430A (zh) * | 2013-04-26 | 2013-08-21 | 青岛海信网络科技股份有限公司 | 路段旅行时间统计、以及交通路况判定方法和装置 |
CN104464320A (zh) * | 2014-12-15 | 2015-03-25 | 东南大学 | 基于真实路网特性及动态行程时间的最短路径诱导方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702036B (zh) * | 2016-03-23 | 2018-08-14 | 深圳市金溢科技股份有限公司 | 一种车辆行驶时间计算方法、装置及系统 |
CN105702036A (zh) * | 2016-03-23 | 2016-06-22 | 深圳市金溢科技股份有限公司 | 一种车辆行驶时间计算方法、装置及系统 |
CN105825675B (zh) * | 2016-05-17 | 2019-09-17 | 青岛海信网络科技股份有限公司 | 一种基于大数据的路段旅行时间计算方法和装置 |
CN105825675A (zh) * | 2016-05-17 | 2016-08-03 | 青岛海信网络科技股份有限公司 | 一种基于大数据的路段旅行时间计算方法和装置 |
CN106097710A (zh) * | 2016-06-27 | 2016-11-09 | 安徽四创电子股份有限公司 | 基于交通场面雷达的高架桥行程时间短时预测方法 |
CN107886715A (zh) * | 2016-09-30 | 2018-04-06 | 日本电气株式会社 | 道路行驶时间的预测方法和系统 |
CN107886715B (zh) * | 2016-09-30 | 2022-03-29 | 日本电气株式会社 | 道路行驶时间的预测方法和系统 |
CN108399748B (zh) * | 2018-03-08 | 2020-12-22 | 重庆邮电大学 | 一种基于随机森林与聚类算法的道路旅行时间预测方法 |
CN108399748A (zh) * | 2018-03-08 | 2018-08-14 | 重庆邮电大学 | 一种基于随机森林与聚类算法的道路旅行时间预测方法 |
CN108629982A (zh) * | 2018-05-16 | 2018-10-09 | 中山大学 | 一种基于旅行时间分布规律的路段车辆数估计方法 |
CN108564793A (zh) * | 2018-05-31 | 2018-09-21 | 重庆大学 | 一种基于rfid电子车牌数据的行程时间预测方法 |
CN110619748A (zh) * | 2019-10-22 | 2019-12-27 | 江苏广宇协同科技发展研究院有限公司 | 基于交通大数据的交通状况分析与预测方法、装置及系统 |
CN112991798A (zh) * | 2019-12-12 | 2021-06-18 | 沈阳美行科技有限公司 | 基于通行速度数据的道路线段行驶时间确定方法及装置 |
CN112991798B (zh) * | 2019-12-12 | 2022-05-20 | 沈阳美行科技股份有限公司 | 基于通行速度数据的道路线段行驶时间确定方法及装置 |
CN111667689A (zh) * | 2020-05-06 | 2020-09-15 | 浙江师范大学 | 车辆旅行时间预测的方法、设备和计算机设备 |
CN113112795A (zh) * | 2021-04-06 | 2021-07-13 | 中移(上海)信息通信科技有限公司 | 一种路况预测方法、装置及设备 |
CN113112795B (zh) * | 2021-04-06 | 2022-01-21 | 中移(上海)信息通信科技有限公司 | 一种路况预测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107085943A (zh) | 2017-08-22 |
CN105405293B (zh) | 2017-09-01 |
CN107085943B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105405293A (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
CN102819955B (zh) | 基于车辆行程数据的道路网运行评价方法 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
CN103413263B (zh) | 旅行时间指数熵交通运行评价方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
CN103985250A (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN103903433A (zh) | 一种道路交通状态的实时动态判别方法及装置 | |
CN104732075A (zh) | 一种城市道路交通事故风险实时预测方法 | |
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 | |
CN109215350A (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
Yu et al. | Bus travel-time prediction based on bus speed | |
Su et al. | On urban road traffic state evaluation index system and method | |
Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
Habtemichael et al. | Methodology for quantifying incident-induced delays on freeways by grouping similar traffic patterns | |
Chen et al. | Using automatic passenger counter data in bus arrival time prediction | |
Guan et al. | Traffic incident duration prediction based on artificial neural network | |
Salim et al. | Estimation of average space headway under heterogeneous traffic conditions | |
Bertini | Congestion and its extent |
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 |