CN105608895B - 一种基于局部异常因子的城市交通拥堵路段检测方法 - Google Patents
一种基于局部异常因子的城市交通拥堵路段检测方法 Download PDFInfo
- Publication number
- CN105608895B CN105608895B CN201610125269.1A CN201610125269A CN105608895B CN 105608895 B CN105608895 B CN 105608895B CN 201610125269 A CN201610125269 A CN 201610125269A CN 105608895 B CN105608895 B CN 105608895B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- dead band
- mfrac
- mover
- 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.)
- Expired - Fee Related
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
本发明公开了一种基于局部异常因子的城市交通拥堵路段检测方法，其特征在于：步骤为：首先利用公交线路站点数据将城市公交车GPS数据从时空两方面划分成时空段，并从中提取出能够反映道路交通状况的特征值，随后利用特征值计算出每个时空段的局部异常因子，并计算每个路段的异常指数，将其排序，最终得到城市交通中异常的拥堵路段。本发明能够利用数据自动检测出城市交通中异常的拥堵路段，为城市交通规划提供有效信息，具有可行性强、适用范围广、人力消耗少的特点。
Description
技术领域
本发明涉及城市智能交通领域，尤其涉及一种基于局部异常因子的城市交通拥堵路段检测方法。
背景技术
随着城市交通的高速发展，如何有效调节交通拥堵情况，优化道路使用率，提高人们出行效率，成为了城市智能交通领域的研究重点。而这其中一个关键的技术就是检测出城市交通异常拥堵的道路，即通过一定技术方法检测出城市交通中出现异常拥堵的路段。公交路线一般可以覆盖整个城市路网比较主要的路线，并且公交车行驶的路线不会因道路情况而改变，因而公交车运行的GPS数据可以反映出城市交通的真实情况。本发明利用从公交车GPS数据中提取出恰当的特征值来计算路段的局部异常因子，进而检测出城市交通中的异常路段，这些检测出的异常路段可以为城市规划提供重要的信息。但现有的技术中，没有利用局部异常因子的方法来检测异常拥堵的交通路段，也缺乏利用海量的公交GPS数据来进行交通异常拥堵路段的检测方法，因而不利于提供交通信息服务。
发明内容
本发明的目的主要针对上述现有研究的一些不足之处，提出一种基于局部异常因子的城市交通拥堵路段检测方法，通过对公交车GPS数据处理，提取出能够反映路段交通情况的特征值，计算出路段的局部异常因子，进而检测出城市中异常的交通路段，为城市交通规划提供有效信息。
本发明是通过以下技术方案达到上述目的：一种基于局部异常因子的城市交通拥堵路段检测方法，其包括如下步骤：
1)划分时空段，得到了m*n个时空段；
2)对公交车GPS数据进行预处理，提取出能够代表交通特征的特征值，每个时空段可表示为
3)计算每个时空段的局部异常因子，每个时空段可表示为：
4)提取异常时空段；
5)依据4)中的异常时空段，计算每个路段的异常指数；
6)根据5)中路段异常指数进行排序，得到前T个异常路段，T为预先设置的阈值；
7)输出前T个异常路段。
步骤1)具体包含如下步骤：
1.1)划分路段：利用城市公交线路数据将城市路网划分为m个路段，将公交线路的两个站点及中间的线路作为一个路段；
1.2)划分时段：依据城市公交运行时间表，将一天划分为n个有效时间段。
步骤2)中的提取特征值步骤包括:
2.1)计算每个时空段公交运行的平均速度
2.2)计算每个时空段在两个站点停留时间的平均值
步骤2.1)中计算时空段的平均速度公式：
其中s是由经纬度计算得到的两个相邻站点之间的距离，t为公交车在两段之间运行时间，vi为一辆公交车的行驶速度，为所有车在该时空段的平均速度，d为公交车在该时空段行驶的总数量。
步骤2.2)中的停留时间公式：
其中st1i和st2i为时空段中两个相邻站点的停留时间，和为所有车在该时空段的平均停留时间，为公交车在时空段的两个站点平均停留时间，d为公交车在该时空段行驶的总数量。
步骤3)计算每个时空段的局部异常因子包括以下步骤：
3.1)对输入的m*n个时空段TS，将每条线路每个时间段的时空段划分为一组数据D，计算对象p的k距离，表示为distancek(p)，并得到对象p的第k距离邻域Nk(p)；
3.2)计算D中两个对象的可达距离，公式如下：
reachdisk(p，o)＝max{distancek(o)，d(p，o)}
3.3)计算对象p的局部可达密度，公式如下：
其中，|Nk(p)|表示对象p的第k距离邻域的对象个数；
3.4)计算对象p的局部异常因子LOF，公式如下：
3.5)重复步骤3.1)-3.5)，直到计算出所有时空段的局部异常因子；
步骤3.1)中计算数据D中对象的k邻域方法步骤为；
3.1.1)计算数据D中每两个对象的欧式距离，表示为dist(p，o)；
3.1.2)将对象p与其他对象的欧式距离排序，第k个最小距离即为k距离，表示为distancek(p)；
3.1.3)得到对象p的k邻域，公式为：
Nk(p)＝{p|dist(p，o)≤distancek(p)}
步骤4)提取异常时空段公式：
其中，O(TS)即为异常时空段。
步骤5)计算路段异常指数的公式：
其中，Os为路段异常指数，p为路段出现在异常时空段的次数，TSi(LOF)为在一个时空段的异常指数。
附图说明
图1为本发明实施案例提供的一种基于局部异常因子的城市交通拥堵路段检测方法的流程图；
图2为本发明实施案例提取出能反映每个时空段交通路况的特征值的流程图；
图3.1为一种基于局部异常因子的城市交通拥堵路段检测方法实施案例利用杭州市2014年10月公交车数据得到的结果图；
图3.2为一种基于局部异常因子的城市交通拥堵路段检测方法实施案例利用杭州市2015年3月公交车数据得到的结果图。
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。
本发明实施例提供了一种基于局部异常因子的城市交通拥堵路段检测方法，如图1所示，该方法包括：
步骤1：利用杭州市公交线路站点表将杭州市2014年10月332条公交GPS数据划分为m*n个时空段。其中，m＝16077，将公交车运行时间6：00-21：00每小时划分为一个时段，即n＝16。
公交线路站点表的结构如下表1所示。
| 编号 | 名称 | 注释 |
| 1 | 编号 | 取值1-26574内整数，唯一标识一条记录 |
| 2 | 线路编号 | 取值为正整数，唯一标识一条线路 |
| 3 | 站点序号 | 取值为正整数，唯一标识一个站点 |
| 4 | 上下行方向 | 1＝上行，2＝下行 |
| 5 | 站点名称 | 站点实际名称 |
| 6 | 站点GPS纬度 | 格式ddd.ddddddd，以度为单位 |
| 7 | 站点GPS经度 | 格式ddd.ddddddd，以度为单位 |
| 8 | 首班车时间 | 格式hh:nn:ss，北京时间 |
| 9 | 末班车时间 | 格式hh:nn:ss，北京时间 |
| 10 | 数据插入时间 | 格式yyyymmdd |
表1
步骤2：从杭州10月公交车GPS数据中提取出能反映每个时空段交通路况的特征值，步骤如图2所示。
本实例中的公交车GPS数据集，其格式如下表2所示：
| 编号 | 名称 | 注释 |
| 1 | 线路编号 | 取值为正整数，格式唯一标识一条线路 |
| 2 | 公交车编号 | 唯一标识一条线路中的公交车，格式ddddd |
| 3 | GPS纬度 | 格式ddd.ddddddd，以度为单位 |
| 4 | GPS经度 | 格式ddd.ddddddd，以度为单位 |
| 5 | 车速 | 格式ddd，以公里/小时为单位 |
| 6 | 角度 | 格式ddd，取值000-360内整数，以度为单位 |
| 7 | GPS时间 | 格式yyyy-mm-ddhh:nn:ss，北京时间 |
| 8 | 更新时间 | 格式yyyy-mm-ddhh:nn:ss，北京时间 |
表2
1)针对每条GPS数据，从公交线路站点表中找到与之对应线路所有车站的经纬度信息。
2)计算该条GPS数据与所有车站的GPS数据距离，得到距离最小的站点。
3)如果该最小距离大于20m，则舍弃；如果小于20m，则将该站点作为该条GPS数据的停留站点，记录下来。
4)重复1)-3)，直到将所有对应站点的GPS数据提取出来
5)利用公式计算每个时空段的平均速度:
其中s是由经纬度计算得到的两个相邻站点之间的距离，t为公交车在两段之间运行时间。
计算10月所有公交车在每个时空段的平均速度:
其中d为公交车在该时空段行驶的总数量。
6)利用公式计算每个时空段停留时间，为10月所有公交车在每个时空段的平均停留时间:
其中st1i和st2i为时空段中两个相邻站点的停留时间，和为所有车在该时空段的平均停留时间，为公交车在时空段的两个站点平均停留时间，d为公交车在该时空段行驶的总数量。
步骤3：计算每个时空段的局部异常因子，步骤如下：
3.1)对输入的257232个时空段TS，将每条线路每个时间段的时空段划分为一组数据D，计算D中所有对象的k距离邻域。
3.2)根据公式reachdisk(p，o)＝max{distancek(o)，d(p，o)}，计算D中两个对象的可达距离。
3.3)根据公式计算对象p的局部可达密度
3.4)根据公式计算对象p的局部异常因子LOF，
3.5)重复步骤3.1)-3.5)，直到计算出所有时空段的局部异常因子；
步骤4：根据提取异常时空段的公式：
提取异常时空段。
步骤5：根据公式计算路段异常指数。
步骤6：将各路段的异常指数进行排序，输出前T个异常路段，这里T＝500。
步骤7：对2015年3月的杭州市公交车GPS数据重复步骤1-6，得到2015年3月杭州市的异常路段
图3.1和图3.2分别为使用2014年10月和2015年3月杭州市公交车GPS数据得到的异常路段。图中只展示秋涛路附近的区域作为代表。图中各条线段代表检测出的异常路段，颜色加深处即为重合的路段。带有小圆圈的长折线代表的是地铁二号线。从图中可以发现2015年3月的异常路段较2014年10月的异常路段数量减少许多，这是因为地铁二号线在2015年2月2日投入使用，缓解了地铁附近的交通状况，这一结果验证了本发明方法的有效性。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
Claims (5)
1.一种基于局部异常因子的城市交通拥堵路段检测方法，其特征在于：包括以下步骤：
1)划分时空段，得到了m*n个时空段；
2)对公交车GPS数据进行预处理，提取出能够代表交通特征的特征值，每个时空段可表示为计算每个时空段公交运行的平均速度和每个时空段在两个站点停留时间的平均值
3)计算每个时空段的局部异常因子，每个时空段可表示为：
4)提取异常时空段；
5)依据4)中的异常时空段，计算每个路段的异常指数；
6)根据5)中路段异常指数进行排序，得到前T个异常路段，T为预先设置的阈值；
7)输出前T个异常路段；
其中，m为路段数，n为有效时间段数，LOF为局部异常因子；
所述步骤3)计算每个时空段的局部异常因子包括以下步骤：
3.1)对输入的m*n个时空段TS，将每条线路每个时间段的时空段划分为一组数据D，计算对象p的k距离，表示为distancek(p)，并得到对象p的第k距离邻域Nk(p)；
3.2)计算D中两个对象的可达距离，公式如下：
reachdisk(p，o)＝max{distancek(p)，dist(p，o)}
其中，dist(p，o)表示两个对象p和o的欧式距离；
3.3)计算对象p的局部可达密度，公式如下：
<mrow>
<msub>
<mi>Lrd</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>o</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msub>
<mi>reachdis</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>o</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，|Nk(p)|表示对象p的第k距离邻域的对象个数；
3.4)计算对象p的局部异常因子LOF，公式如下：
<mrow>
<msub>
<mi>LOF</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>o</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mfrac>
<mrow>
<msub>
<mi>Lrd</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>o</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
3.5)重复步骤3.1)-3.5)，直到计算出所有时空段的局部异常因子；
所述步骤4)提取异常时空段公式：
其中，O(TS)即为异常时空段。
2.如权利要求1所述的基于局部异常因子的城市交通拥堵路段检测方法，其特征在于：所述步骤1)具体包含如下步骤：
1.1)划分路段：利用城市公交线路数据将城市路网划分为m个路段，将公交线路的两个站点及中间的线路作为一个路段；
1.2)划分时段：依据城市公交运行时间表，将一天划分为n个有效时间段。
3.如权利要求1或2所述的基于局部异常因子的城市交通拥堵路段检测方法，其特征在于：
所述步骤2)中计算每个时空段公交运行的平均速度公式：
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mi>s</mi>
<mi>t</mi>
</mfrac>
</mrow>
1
<mrow>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</msubsup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>d</mi>
</mfrac>
</mrow>
其中s是由经纬度计算得到的两个相邻站点之间的距离，t为公交车在两段之间运行时间，vi为一辆公交车的行驶速度，为所有车在该时空段的平均速度，d为公交车在该时空段行驶的总数量；
所述步骤2)中的计算每个时空段在两个站点停留时间公式：
<mrow>
<mover>
<mrow>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</msubsup>
<msub>
<mi>st</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mi>d</mi>
</mfrac>
</mrow>
<mrow>
<mover>
<mrow>
<msub>
<mi>st</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</msubsup>
<msub>
<mi>st</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mi>d</mi>
</mfrac>
</mrow>
<mrow>
<mover>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mrow>
<msub>
<mi>st</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<mover>
<mrow>
<msub>
<mi>st</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
其中st1i和st2i为时空段中两个相邻站点的停留时间，和为所有车在该时空段的平均停留时间，为公交车在时空段的两个站点平均停留时间，d为公交车在该时空段行驶的总数量。
4.如权利要求1所述的基于局部异常因子的城市交通拥堵路段检测方法，其特征在于：所述步骤3.1)中计算数据D中对象p的k距离及对象p的k邻域方法步骤为：
3.1.1)计算数据D中每两个对象的欧式距离，表示为dist(p，o)；
3.1.2)将对象p与其他对象的欧式距离排序，第k个最小距离即为k距离，表示为distancek(p)；
3.1.3)得到对象p的第k距离邻域，公式为：
Nk(p)＝{p|dist(p，o)≤distancek(p)}。
5.如权利要求4所述的基于局部异常因子的城市交通拥堵路段检测方法，其特征在于：所述步骤5)计算路段异常指数的公式：
<mrow>
<msub>
<mi>O</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</msubsup>
<msub>
<mi>TS</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mi>O</mi>
<mi>F</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，Os为路段异常指数，p为路段出现在异常时空段的次数，TSi(LOF)为一个时空段的异常指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610125269.1A CN105608895B (zh) | 2016-03-04 | 2016-03-04 | 一种基于局部异常因子的城市交通拥堵路段检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610125269.1A CN105608895B (zh) | 2016-03-04 | 2016-03-04 | 一种基于局部异常因子的城市交通拥堵路段检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105608895A CN105608895A (zh) | 2016-05-25 |
| CN105608895B true CN105608895B (zh) | 2017-11-10 |
Family
ID=55988799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610125269.1A Expired - Fee Related CN105608895B (zh) | 2016-03-04 | 2016-03-04 | 一种基于局部异常因子的城市交通拥堵路段检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105608895B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106448139B (zh) * | 2016-11-18 | 2018-10-26 | 山东浪潮云服务信息科技有限公司 | 一种智能公交调度方法和装置 |
| WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
| CN109841078B (zh) * | 2017-11-27 | 2022-03-04 | 腾讯科技（深圳）有限公司 | 导航数据处理方法及其装置、存储介质 |
| CN109388512A (zh) * | 2018-10-30 | 2019-02-26 | 江苏物联网研究发展中心 | 针对大规模计算机集群异常程度的评估与分析系统 |
| CN113066286B (zh) * | 2021-03-18 | 2022-05-20 | 河海大学 | 一种车路协同路网车辆运行风险路段判定方法和装置 |
| CN117235656B (zh) * | 2023-11-16 | 2024-02-27 | 广州视安智能科技有限公司 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030065442A1 (en) * | 2001-09-01 | 2003-04-03 | Touney David Sylvester | Navigation system and travel coordinator with dynamic traffic data |
| CN103761430B (zh) * | 2014-01-10 | 2017-07-07 | 安徽科力信息产业有限责任公司 | 一种基于浮动车的路网高峰时段识别方法 |
| CN104408958B (zh) * | 2014-11-11 | 2016-09-28 | 河海大学 | 一种城市动态路径行程时间预测方法 |
| CN104933862A (zh) * | 2015-05-26 | 2015-09-23 | 大连理工大学 | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 |
| CN105913661B (zh) * | 2016-06-15 | 2018-09-18 | 北京航空航天大学 | 一种基于收费数据的高速公路路段交通状态判别方法 |
-
2016
- 2016-03-04 CN CN201610125269.1A patent/CN105608895B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| "城市路网交通流协调控制技术研究";孔祥杰;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20101215;正文全文 * |
| "基于多智能体的交通干线动态智能协调控制";孔祥杰 等;《解放军理工大学学报（自然科学版）》;20101031;正文全文 * |
| 融入时间关联因子曲线拟合的交通流异常挖掘方法;陈珂 等;《计算机工程与设计》;20130731;正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105608895A (zh) | 2016-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105608895B (zh) | 一种基于局部异常因子的城市交通拥堵路段检测方法 | |
| US10573173B2 (en) | Vehicle type identification method and device based on mobile phone data | |
| CN104408958B (zh) | 一种城市动态路径行程时间预测方法 | |
| US20190266891A1 (en) | A method to quantitatively analyze the effects of urban built environment on road travel time | |
| CN103761876B (zh) | 基于车路协同的道路交通信息采集方法 | |
| CN104851286B (zh) | 一种利用公交车辆gps数据动态评估道路交通状态的方法 | |
| CN104575050B (zh) | 一种基于浮动车的快速路匝道智能诱导方法及装置 | |
| CN104484514A (zh) | 一种规避拥堵路段的弹性公交线路设计方法 | |
| CN104766475A (zh) | 一种城市交通瓶颈挖掘方法 | |
| CN103177595A (zh) | 一种基于实时交通信息的动态路径寻优系统及方法 | |
| CN103794061A (zh) | 基于多种定位数据计算道路融合行程车速的方法 | |
| CN105427594A (zh) | 一种基于双向上车客流的公交断面客流量获取方法及系统 | |
| CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
| CN108108859A (zh) | 一种基于大数据分析的交通管理勤务优化方法 | |
| CN107240264A (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
| CN103942952B (zh) | 一种路网功能层次状态等级评估方法 | |
| CN103838868A (zh) | 一种基于多公交线路运行数据融合的城市公交到站时间预测方法 | |
| CN105139670A (zh) | 一种基于视频的区域自优化信号控制方法及装置 | |
| CN103093625A (zh) | 一种基于可信度验证的城市道路交通状态实时估计方法 | |
| CN105118310A (zh) | 一种基于视频的单点自优化信号控制方法及装置 | |
| CN104794927A (zh) | 一种公交车到站时间预测方法 | |
| CN105070073A (zh) | 一种基于地磁的区域自优化信号控制方法及装置 | |
| CN202404763U (zh) | 一种基于实时交通信息的动态路径寻优系统 | |
| CN104966404A (zh) | 一种基于阵列雷达的单点自优化信号控制方法及装置 | |
| CN104966403A (zh) | 一种基于地磁的干线自优化信号控制方法及装置 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171110 Termination date: 20200304 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |