CN105513356B - 一种基于轨迹追踪的od矩阵估计方法与系统 - Google Patents
一种基于轨迹追踪的od矩阵估计方法与系统 Download PDFInfo
- Publication number
- CN105513356B CN105513356B CN201511009312.XA CN201511009312A CN105513356B CN 105513356 B CN105513356 B CN 105513356B CN 201511009312 A CN201511009312 A CN 201511009312A CN 105513356 B CN105513356 B CN 105513356B
- Authority
- CN
- China
- Prior art keywords
- region
- trip
- residing
- data
- device numbering
- 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
Abstract
本发明提供一种基于轨迹追踪的OD矩阵估计方法,通过遍历预订时间范围内的所有电子警察数据并进行按号牌分组,对分组的数据进行采集时间的排序以及筛查偏差,对于偏差大于设定值的进行多次出行和一次出行的区分,分别进行统计和分析,最后得到出行起点与终点对应的区域ID,再对检测时间进行24小时段的分组,分别统计每小时内每个OD对的个数即为OD对的车流量,并基于车流量计算出客流量,从而估算出OD矩阵。本发明还涉及一种用于OD矩阵估计的计算机系统。
Description
技术领域
本发明涉及智能交通领域的OD矩阵估计技术,具体而言涉及一种基于轨迹追踪的OD矩阵估计方法与系统。
背景技术
OD矩阵,或者称为OD表,是描述交通网络中所有出行节点(Origin)与终点(Destination)之间在一定范围内出行交换数量的表格,反应了基本的交通需求。对于高速路或者环城快速路网,起点可以是指一个或多个入口匝道,而讫点是指一个或多个出口匝道。对于城市交通网络,起讫点是指交通区的重心,即代表同一个交通区域内所有出行端点的某一集中点,是交通区交通源的中心。
OD矩阵是城市交通科学规划和管理工作的基础。最初,OD矩阵是通过大量的交通调查抽样得到的,例如居民出行调查,但由于交通数据量巨大,所以调查统计与分析的工作量和成本十分庞大,而通过路段交通量来推算和估计OD矩阵,以其方便、价格低廉、快捷和时效性高等优点,受到越来越多的应用。
目前,交通规划和数学规划界的研究者提出一些OD矩阵推算的模型和算法,例如极大熵模型、最大似然模型、广义最小二乘模型和贝叶斯模型,虽然现有的估算算法考虑了实时性进行估计的问题,但在拥挤效应、均衡交通分配等问题,我们认为现有的OD矩阵估计方法仍有改进的空间。
发明内容
本发明目的在于提供一种基于轨迹追踪的OD矩阵估计方法,基于轨迹追踪、小区、路段等信息来综合考虑实现OD矩阵的估算。
本发明的上述目的通过独立权利要求的技术特征实现,从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的,本发明提出一种基于轨迹追踪的OD矩阵估计方法,包括:
步骤1、获取设定时间范围内的所有电子警察数据,将电子警察数据按照车牌号码进行分组;
步骤2、将分组后得到的所有组均标记为unvisited,再取其中的一条unvisited组p,标记为visited;
步骤3、对于p组的数据按照检测时间进行从小到大的排列;
步骤4、计算步骤3排列后所得到的序列的偏差值,即Δti=ti+1-ti,i=1,……,n;其中t1为出行的起始时刻,tn为出行的最终结束时间;
步骤5、取出两次连续检测时间差大于1小时的数据,对于即Δtk>3600s的Δtk,进行步骤6;若Δtk全部小于1小时,则进行Step8;
步骤6、找出Δtk的tk及tk+1,则tk为出行的结束时刻,其对应的检测设备编号所处的区域ID为出行的D点,tk+1为下一次出行的起始时刻,其对应的检测设备编号所处的区域ID为出行的O点;
步骤7、将t1,tk,tk+1,……,tn进行两两配对,即一次出行起点为t1对应的设备编号所处的区域ID,终点为tk对应的设备编号所处的区域ID,二次出行的起点为tk+1对应的设备编号所处的区域ID,终点为tj对应的设备编号所处的区域ID,最后一次出行的终点为tn对应的设备编号所处的区域ID;
步骤8、如果所有连续两次检测时间都小于或等于1小时,则出行起点为t1对应的设备编号所处的区域ID,终点为tn对应的设备编号所处的区域ID;
步骤9、转步骤2重新进行另一组的处理,直到所有组都标记为visited;进行步骤10;
步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID,将出行的O点的检测时间进行24小时段的分组,分别统计每小时内每个OD对的个数即为OD对的车流量(OD_VOLUME),而OD对的客流量OD_VOLUME_PEOPLE则为车流量的1.5倍。
根据本发明的改进,还提出一种用于OD矩阵估计的计算机系统,包括:
显示器,被设置用于可视反馈OD矩阵估计状态和/或估计结果;
一个或多个处理器;
存储器,被设置用于存储由所述一个或多个处理器使用的程序模块和数据,这些程序模块被配置成在被一个或多个处理器执行时以下述方式实现基于轨迹追踪的OD矩阵估计:
步骤1、获取设定时间范围内的所有电子警察数据,将电子警察数据按照车牌号码进行分组;
步骤2、将分组后得到的所有组均标记为unvisited,再取其中的一条unvisited组p,标记为visited;
步骤3、对于p组的数据按照检测时间进行从小到大的排列;
步骤4、计算步骤3排列后所得到的序列的偏差值,即Δti=ti+1-ti,i=1,……,n;其中t1为出行的起始时刻,tn为出行的最终结束时间;
步骤5、取出两次连续检测时间差大于1小时的数据,对于即Δtk>3600s的Δtk,进行步骤6;若Δtk全部小于1小时,则进行Step8;
步骤6、找出Δtk的tk及tk+1,则tk为出行的结束时刻,其对应的检测设备编号所处的区域ID为出行的D点,tk+1为下一次出行的起始时刻,其对应的检测设备编号所处的区域ID为出行的O点;
步骤7、将t1,tk,tk+1,……,tn进行两两配对,即一次出行起点为t1对应的设备编号所处的区域ID,终点为tk对应的设备编号所处的区域ID,二次出行的起点为tk+1对应的设备编号所处的区域ID,终点为tj对应的设备编号所处的区域ID,最后一次出行的终点为tn对应的设备编号所处的区域ID;
步骤8、如果所有连续两次检测时间都小于或等于1小时,则出行起点为t1对应的设备编号所处的区域ID,终点为tn对应的设备编号所处的区域ID;
步骤9、转步骤2重新进行另一组的处理,直到所有组都标记为visited;进行步骤10;
步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID,将出行的O点的检测时间进行24小时段的分组,分别统计每小时内每个OD对的个数即为OD对的车流量(OD_VOLUME),而OD对的客流量OD_VOLUME_PEOPLE则为车流量的1.5倍。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是根据本发明某些实施例的基于轨迹追踪的OD矩阵估计方法的流程示意图。
图2是电子警察数据的示意图。
图3是区域与对应路段的关系表示意图。
图4是设备与路网中路段的关系表示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示,根据本发明的实施,一种基于轨迹追踪的OD矩阵估计方法,其实现具体包括以下步骤:
步骤1、获取设定时间范围内的所有电子警察数据,将电子警察数据按照车牌号码进行分组;
步骤2、将分组后得到的所有组均标记为unvisited,再取其中的一条unvisited组p,标记为visited;
步骤3、对于p组的数据按照检测时间进行从小到大的排列;
步骤4、计算步骤3排列后所得到的序列的偏差值,即Δti=ti+1-ti,i=1,……,n;其中t1为出行的起始时刻,tn为出行的最终结束时间;
步骤5、取出两次连续检测时间差大于1小时的数据,对于即Δtk>3600s的Δtk,进行步骤6;若Δtk全部小于1小时,则进行Step8;
步骤6、找出Δtk的tk及tk+1,则tk为出行的结束时刻,其对应的检测设备编号所处的区域ID为出行的D点,tk+1为下一次出行的起始时刻,其对应的检测设备编号所处的区域ID为出行的O点;
步骤7、将t1,tk,tk+1,……,tn进行两两配对,即一次出行起点为t1对应的设备编号所处的区域ID,终点为tk对应的设备编号所处的区域ID,二次出行的起点为tk+1对应的设备编号所处的区域ID,终点为tj对应的设备编号所处的区域ID,最后一次出行的终点为tn对应的设备编号所处的区域ID;
步骤8、如果所有连续两次检测时间都小于或等于1小时,则出行起点为t1对应的设备编号所处的区域ID,终点为tn对应的设备编号所处的区域ID;
步骤9、转步骤2重新进行另一组的处理,直到所有组都标记为visited;进行步骤10;
步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID,将出行的O点的检测时间进行24小时段的分组,分别统计每小时内每个OD对的个数即为OD对的车流量(OD_VOLUME),而OD对的客流量OD_VOLUME_PEOPLE则为车流量的1.5倍。
前述步骤1所提及的设定时间范围,一般是指一天(24小时)的范围。
在前述步骤1中,我们所获取的电子警察数据包括车牌采集数据,包括数字路网中的路段编号、检测时间、车牌号码、车辆类型、车牌颜色、车牌号码、车速等信息,如图2所示。
同时,基于数字路网的数据,我们还可以获得小区(即区域)与对应路段的关系表,如图3所示。
参数 | 字段 | 数据类型 |
更新时间 | UPDATATIME | DATA |
交通小区形心 | SECTORID | LONG |
样本点数组 | SAMPLEPOINT | STRING |
样本点对应的路段ID数组(去重复) | SEGMENTID | STRING |
在前述步骤6中,我们是先通过设备编号找路段,再通过路段找小区(即区域)。
基于数字路网的数据以及电子警察监控系统布设的原始信息,我们可以得到设备与路网中路段的关系表,如图4所示。
结合前述图1以及内容所示,按照前述步骤1-步骤10的实现,我们将在数据输出阶段输出车辆驶入驶出的区域ID信息(小区)、OD客流量与人流量、交通工具类型等信息,如下表1所示,为城市交通的科学规划和出行规划提供支撑。
表1-数据输出表
交通工具类型编码:总的0,私家车1,出租车2,公交车3,自行车4,地铁5,轻轨6。
输出信息存储位置:MONGDB中AY_RESULT_CITY_OD,每天更新一次,一天更新24组数据。
在一些实施例中,前述步骤最后输出的数据中,对于没有数据的情况则补0。
结合图1所示,根据本公开,还提出一种用于OD矩阵估计的计算机系统,包括:
显示器,被设置用于可视反馈OD矩阵估计状态和/或估计结果;
一个或多个处理器;
存储器,被设置用于存储由所述一个或多个处理器使用的程序模块和数据,这些程序模块被配置成在被一个或多个处理器执行时以下述方式实现基于轨迹追踪的OD矩阵估计:
步骤1、获取设定时间范围内的所有电子警察数据,将电子警察数据按照车牌号码进行分组;
步骤2、将分组后得到的所有组均标记为unvisited,再取其中的一条unvisited组p,标记为visited;
步骤3、对于p组的数据按照检测时间进行从小到大的排列;
步骤4、计算步骤3排列后所得到的序列的偏差值,即Δti=ti+1-ti,i=1,……,n;其中t1为出行的起始时刻,tn为出行的最终结束时间;
步骤5、取出两次连续检测时间差大于1小时的数据,对于即Δtk>3600s的Δtk,进行步骤6;若Δtk全部小于1小时,则进行Step8;
步骤6、找出Δtk的tk及tk+1,则tk为出行的结束时刻,其对应的检测设备编号所处的区域ID为出行的D点,tk+1为下一次出行的起始时刻,其对应的检测设备编号所处的区域ID为出行的O点;
步骤7、将t1,tk,tk+1,……,tn进行两两配对,即一次出行起点为t1对应的设备编号所处的区域ID,终点为tk对应的设备编号所处的区域ID,二次出行的起点为tk+1对应的设备编号所处的区域ID,终点为tj对应的设备编号所处的区域ID,最后一次出行的终点为tn对应的设备编号所处的区域ID;
步骤8、如果所有连续两次检测时间都小于或等于1小时,则出行起点为t1对应的设备编号所处的区域ID,终点为tn对应的设备编号所处的区域ID;
步骤9、转步骤2重新进行另一组的处理,直到所有组都标记为visited;进行步骤10;
步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID,将出行的O点的检测时间进行24小时段的分组,分别统计每小时内每个OD对的个数即为OD对的车流量(OD_VOLUME),而OD对的客流量OD_VOLUME_PEOPLE则为车流量的1.5倍。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (9)
1.一种基于轨迹追踪的OD矩阵估计方法,其特征在于,包括以下步骤:
步骤1、获取设定时间范围内的所有电子警察数据,将电子警察数据按照车牌号码进行分组;
步骤2、将分组后得到的所有组均标记为unvisited,再取其中的一条unvisited组p,标记为visited;
步骤3、对于p组的数据按照检测时间进行从小到大的排列;
步骤4、计算步骤3排列后所得到的序列的偏差值,即Δti=ti+1-ti,i=1,……,n;其中t1为出行的起始时刻,tn为出行的最终结束时间;
步骤5、取出两次连续检测时间差大于1小时的数据,对于即Δtk>3600s的Δtk,进行步骤6;若Δtk全部小于1小时,则进行步骤8;
步骤6、找出Δtk的tk及tk+1,则tk为出行的结束时刻,其对应的检测设备编号所处的区域ID为出行的D点,tk+1为下一次出行的起始时刻,其对应的检测设备编号所处的区域ID为出行的O点;
步骤7、将t1,tk,tk+1,……,tn进行两两配对,即一次出行起点为t1对应的设备编号所处的区域ID,终点为tk对应的设备编号所处的区域ID,二次出行的起点为tk+1对应的设备编号所处的区域ID,终点为tj对应的设备编号所处的区域ID,最后一次出行的终点为tn对应的设备编号所处的区域ID;
步骤8、如果所有连续两次检测时间都小于或等于1小时,则出行起点为t1对应的设备编号所处的区域ID,终点为tn对应的设备编号所处的区域ID;
步骤9、转步骤2重新进行另一组的处理,直到所有组都标记为visited;进行步骤10;
步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID,将出行的O点的检测时间进行24小时段的分组,分别统计每小时内每个OD对的个数即为OD对的车流量OD_VOLUME,而OD对的客流量OD_VOLUME_PEOPLE则为车流量的1.5倍。
2.根据权利要求1所述的基于轨迹追踪的OD矩阵估计方法,其特征在于,前述步骤1中的设定时间范围,是指一天,即24小时。
3.根据权利要求1所述的基于轨迹追踪的OD矩阵估计方法,其特征在于,在前述步骤1中,所获取的电子警察数据包括车牌采集数据,车牌采集数据包括数字路网中的路段编号、检测时间、车牌号码、车辆类型、车牌颜色、车速信息。
4.根据权利要求1所述的基于轨迹追踪的OD矩阵估计方法,其特征在于,在前述步骤6中,基于数字路网的数据,首先根据小区与对应路段的关系表、设备与路网中路段的关系表,通过设备编号找路段,再通过路段找小区,即找到对应区域。
5.根据权利要求1所述的基于轨迹追踪的OD矩阵估计方法,其特征在于,还包括数据输出阶段,在数据输出阶段输出:车辆驶入驶出的区域ID信息即小区信息、OD客流量与人流量、交通工具类型信息。
6.一种用于OD矩阵估计的计算机系统,其特征在于,包括:
显示器,被设置用于可视反馈OD矩阵估计状态和/或估计结果;
一个或多个处理器;
存储器,被设置用于存储由所述一个或多个处理器使用的程序模块和数据,这些程序模块被配置成在被一个或多个处理器执行时以下述方式实现基于轨迹追踪的OD矩阵估计:
步骤1、获取设定时间范围内的所有电子警察数据,将电子警察数据按照车牌号码进行分组;
步骤2、将分组后得到的所有组均标记为unvisited,再取其中的一条unvisited组p,标记为visited;
步骤3、对于p组的数据按照检测时间进行从小到大的排列;
步骤4、计算步骤3排列后所得到的序列的偏差值,即Δti=ti+1-ti,i=1,……,n;其中t1为出行的起始时刻,tn为出行的最终结束时间;
步骤5、取出两次连续检测时间差大于1小时的数据,对于即Δtk>3600s的Δtk,进行步骤6;若Δtk全部小于1小时,则进行步骤8;
步骤6、找出Δtk的tk及tk+1,则tk为出行的结束时刻,其对应的检测设备编号所处的区域ID为出行的D点,tk+1为下一次出行的起始时刻,其对应的检测设备编号所处的区域ID为出行的O点;
步骤7、将t1,tk,tk+1,……,tn进行两两配对,即一次出行起点为t1对应的设备编号所处的区域ID,终点为tk对应的设备编号所处的区域ID,二次出行的起点为tk+1对应的设备编号所处的区域ID,终点为tj对应的设备编号所处的区域ID,最后一次出行的终点为tn对应的设备编号所处的区域ID;
步骤8、如果所有连续两次检测时间都小于或等于1小时,则出行起点为t1对应的设备编号所处的区域ID,终点为tn对应的设备编号所处的区域ID;
步骤9、转步骤2重新进行另一组的处理,直到所有组都标记为visited;进行步骤10;
步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID,将出行的O点的检测时间进行24小时段的分组,分别统计每小时内每个OD对的个数即为OD对的车流量OD_VOLUME,而OD对的客流量OD_VOLUME_PEOPLE则为车流量的1.5倍。
7.根据权利要求6所述的用于OD矩阵估计的计算机系统,其特征在于,前述设定时间范围,是指一天,即24小时。
8.根据权利要求6所述的用于OD矩阵估计的计算机系统,其特征在于,所述电子警察数据包括车牌采集数据,车牌采集数据包括数字路网中的路段编号、检测时间、车牌号码、车辆类型、车牌颜色、车速信息。
9.根据权利要求6所述的用于OD矩阵估计的计算机系统,其特征在于,在前述步骤6中,基于数字路网的数据,首先根据小区与对应路段的关系表、设备与路网中路段的关系表,通过设备编号找路段,再通过路段找小区,即找到对应区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511009312.XA CN105513356B (zh) | 2015-12-28 | 2015-12-28 | 一种基于轨迹追踪的od矩阵估计方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511009312.XA CN105513356B (zh) | 2015-12-28 | 2015-12-28 | 一种基于轨迹追踪的od矩阵估计方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105513356A CN105513356A (zh) | 2016-04-20 |
CN105513356B true CN105513356B (zh) | 2018-01-05 |
Family
ID=55721297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511009312.XA Active CN105513356B (zh) | 2015-12-28 | 2015-12-28 | 一种基于轨迹追踪的od矩阵估计方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105513356B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548300A (zh) * | 2016-11-28 | 2017-03-29 | 中兴软创科技股份有限公司 | 出租车供需分析方法与系统 |
CN107886723B (zh) * | 2017-11-13 | 2021-07-20 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN111127930A (zh) * | 2019-12-13 | 2020-05-08 | 青岛海信网络科技股份有限公司 | 车辆常用行驶路线获取方法及装置 |
CN110910647A (zh) * | 2019-12-17 | 2020-03-24 | 江苏智城慧宁交通科技有限公司 | 基于电子警察的交通出行od矩阵估计系统 |
CN112543414A (zh) * | 2020-12-03 | 2021-03-23 | 上海评驾科技有限公司 | 一种基于乘用车行程起终点的空间定位方法 |
CN112950944B (zh) * | 2021-02-22 | 2023-10-20 | 华为技术有限公司 | 交通出行需求的估计方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209416A (ja) * | 2005-01-27 | 2006-08-10 | Xanavi Informatics Corp | 渋滞緩和支援システム、渋滞緩和支援方法、渋滞緩和支援サーバ、および車載端末 |
CN102097004A (zh) * | 2011-01-31 | 2011-06-15 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN102298839A (zh) * | 2011-07-12 | 2011-12-28 | 北京世纪高通科技有限公司 | Od旅行时间的计算方法及装置 |
CN103700257A (zh) * | 2013-11-18 | 2014-04-02 | 贵州省交通科学研究院有限责任公司 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262710A1 (en) * | 2007-04-23 | 2008-10-23 | Jing Li | Method and system for a traffic management system based on multiple classes |
-
2015
- 2015-12-28 CN CN201511009312.XA patent/CN105513356B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209416A (ja) * | 2005-01-27 | 2006-08-10 | Xanavi Informatics Corp | 渋滞緩和支援システム、渋滞緩和支援方法、渋滞緩和支援サーバ、および車載端末 |
CN102097004A (zh) * | 2011-01-31 | 2011-06-15 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN102298839A (zh) * | 2011-07-12 | 2011-12-28 | 北京世纪高通科技有限公司 | Od旅行时间的计算方法及装置 |
CN103700257A (zh) * | 2013-11-18 | 2014-04-02 | 贵州省交通科学研究院有限责任公司 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105513356A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105513356B (zh) | 一种基于轨迹追踪的od矩阵估计方法与系统 | |
CN105489056B (zh) | 一种基于od矩阵的停车需求预测方法 | |
Tong et al. | The simpler the better: a unified approach to predicting original taxi demands based on large-scale online platforms | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN106781499B (zh) | 一种交通网络效率评价系统 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN107945507A (zh) | 行程时间预测方法及装置 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN111275965B (zh) | 一种基于互联网大数据的实时交通仿真分析系统与方法 | |
CN103279802B (zh) | 通勤者日活动-出行时间预测方法 | |
CN109544916B (zh) | 一种基于抽样轨迹数据的路网车辆od估计方法 | |
CN108550261A (zh) | 基于rfid电子车牌的城市交通od计算方法 | |
CN104200649A (zh) | 基于预先申请的交通高峰期路线资源调度分配系统与方法 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
CN105225486A (zh) | 填补缺失浮动车数据的方法及系统 | |
CN105513337A (zh) | 一种客流量的预测方法及装置 | |
CN109543934A (zh) | 城市公交线网的综合指标的评价方法 | |
CN104123841A (zh) | 一种车辆到站时间的获取方法及系统 | |
CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN103942952B (zh) | 一种路网功能层次状态等级评估方法 | |
CN104298832A (zh) | 一种基于rfid技术的路网交通流分析方法 | |
CN113793500A (zh) | 城市交通道路可计算路网的构建方法及系统 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210012 room 627, Ning Shuang Road, Yuhuatai District, Nanjing, Jiangsu, 627 Patentee after: Ho whale cloud computing Polytron Technologies Inc Address before: 210012 No. 68 Bauhinia Road, Yuhuatai District, Jiangsu, Nanjing Patentee before: ZTEsoft Technology Co., Ltd. |