CN105869402B - 基于多类型浮动车数据的高速公路路段速度修正方法 - Google Patents

基于多类型浮动车数据的高速公路路段速度修正方法 Download PDF

Info

Publication number
CN105869402B
CN105869402B CN201610322238.5A CN201610322238A CN105869402B CN 105869402 B CN105869402 B CN 105869402B CN 201610322238 A CN201610322238 A CN 201610322238A CN 105869402 B CN105869402 B CN 105869402B
Authority
CN
China
Prior art keywords
speed
vehicle
sample set
section
taxi
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
Application number
CN201610322238.5A
Other languages
English (en)
Other versions
CN105869402A (zh
Inventor
何兆成
孙威巍
陈锐祥
叶伟佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201610322238.5A priority Critical patent/CN105869402B/zh
Publication of CN105869402A publication Critical patent/CN105869402A/zh
Application granted granted Critical
Publication of CN105869402B publication Critical patent/CN105869402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Abstract

本发明公开一种基于多类型浮动车数据的高速公路路段速度修正方法，对浮动车中的出租车数据进行可靠性分析，通过假设检验，得出结论，高速公路上的出租车路段速度与交通流的速度差异不大，在计算中可以使用出租车路段速度作为高速公路的路段速度。接着对浮动车数据在高速公路上的分布进行分析，发现高速公路上的出租车速度高于营运车（客运车和货运车），且出租车多在靠近市区的高速公路上活动，而营运车基本上覆盖了高速公路路网。基于这种分布差异性，为了在不存在出租车，只存在营运车数据的高速公路上获得相对准确的路段速度，提出了一种高速公路路段速度修正方法。

Description

基于多类型浮动车数据的高速公路路段速度修正方法
技术领域
本发明涉及智能交通领域，更具体地，涉及一种基于多类型浮动车数据的高速公路路段速度修正方法。
背景技术
浮动车GPS数据是智能交通系统一种重要的交通数据，根据车型，浮动车数据可以进一步分为出租车数据和营运车数据，这些GPS数据首先通过地图匹配技术匹配到电子地图上，然后通过速度估算模型计算单辆浮动车速度，最后以同路段所有浮动车的速度均值作为路段速度。
目前高速公路上存在多种类型的浮动车，多类型浮动车数据的汇聚接入虽然能提高数据对高速路网的覆盖程度，但如何对其有效利用以实现高速公路路段整体交通流速度的估计，则主要面临以下几个问题：1)多类型浮动车车速的一致性表征问题，即不同车型的车速与整体交通流速度的关系不一样，直接采用将较大地影响路段整体交通流速度的估计。例如，出租车是小型车，相较客货运车等大型车辆，它的速度可能更接近整体交通流的速度；2)多类型浮动车数据的时空分布不均问题，即由于不同车辆营运特性不同，其GPS数据的时空分布不一样。例如，出租车多分布于城市道路和城市周边的高速公路上，而客货运车车辆的分布则覆盖了整个路网，从而导致某些高速公路上可能只有货运车GPS数据而没有出租车GPS数据。因此，使用多类型浮动车GPS数据计算高速公路路段速度的时候应该考虑不同车型之间不同的车辆特性及营运特征。
目前基于多类型浮动车数据的速度估计相关研究很少，以下几种研究多是针对城市道路的，缺少在高速公路场景下不同类型浮动车速度关系研究。
(1)Morgul等人利用出租车GPS数据和货运车GPS数据分析出租车和货运车在城市道路的速度关系，发现由于共用车道及城市道路经常发生拥堵等原因，两者速度差异不大。
(2)Cody等人在考虑行驶环境(如地形、交通管制设备等)对客运车和货运车速度的影响以及客运车和货运车相互影响的基础上，建立统计模型，定量分析客运车速度和货运车速度的关系。
(3)徐程将组成混合车流的车型划分为大型车和小型车两类，分别用高斯混合模型拟合观测速度数据，结果表明小型车的平均速度比大型车的平均速度高20km/h左右。
(4)李锐敏等将浮动车数据和检测器数据分别通过人工神经网络得到各个速度区间的基本概率分配，之后利用D-S证据理论进行推理融合，获得融合结果。
已知高速公路路段速度是一种重要的交通流参数，是行程时间计算与预测的重要组成部分，在路网交通状态评估等领域扮演着重要的角色，因此获得一个准确的高速公路路段速度是很有必要的。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种基于多类型浮动车数据的高速公路路段速度修正方法，能够在有多类型浮动车数据的情况下获得较为准确的高速公路路段速度。
为解决上述技术问题，本发明的技术方案如下：
一种基于多类型浮动车数据的高速公路路段速度修正方法，包括以下步骤：
S1.地图匹配，依据车载GPS终端车辆在行驶过程中采集到的车辆GPS定位信息，将车辆当前位置与电子地图上的道路相关联；
S2.浮动车速度的获取，选取车辆在路段上第一个和最后一个GPS点，利用两GPS点的距离差除以时间差估算车辆的行驶速度，最后以同路段同类浮动车的速度均值作为路段速度；
S3.通过假设检验，出租车的路段速度在计算过程中作为高速公路的路段速度；
S4.选取营运车速度样本集特征，分别从营运车速度样本集SVc中提取样本全集特征，从时段样本集SEVc中提取基本特征以及速度分布特征；营运车速度样本集SVc表示拥有的全部营运车速度样本，而时段样本集SEVc表示在特定时间段内的速度样本集；
S5.采用特征选取的方法从步骤S4提到的特征中选取特征作为模型的输入，使用人工神经网络模块，输入为营运车速度选取的特征，输出为出租车路段速度，经过训练，得到同时段，同路段营运车速度与出租车速度的关系；
S6.基于步骤S5得到了营运车速度与出租车速度的关系，在没有出租车的路段，通过输入营运车速度就能得到相对应的出租车路段速度，即高速公路路段速度。
优选地，所述步骤S3中分别从营运车速度样本集SVc和时段样本集SEVc中选取特征具体为：
从营运车速度样本集中提取样本集全体特征如下：
(1)样本集15位速度(交通领域将速度按照从小到大的顺序排列，有15％的车辆速度低于这个值，那么这个速度值就是15位速度)SVc,15；
(2)样本集50位速度SVc,50；
(3)样本集85位速度SVc,85；
从时段样本集中提取基本特征，如下：
a)样本集平均速度SEVc,avg；
a)样本集最大速度SEVc,max；
b)样本集最小速度SEVc,min；
c)单辆营运车的速度vc；
d)车辆类型VT，营运车车辆类型分为客运车和货运车；
从时段样本集提取速度分布特征如下：
结合营运车样本全集特征和时段样本集基本特征，提出了营运车时段样本集速度分布特征θ，该特征同时考虑了时段样本集最大速度SEVc,max以及车辆性能两个因素，表征该时刻营运车速度集与标准速度的关系，根据该关系，进一步将速度分布特征分为四类：
1)普遍低速：同路段的营运车速度都低于15位速度，SVc,max＜SVc,15；
2)普遍中低速：同路段的营运车速度都低于50位速度，但是至少存在一辆速度高于15位速度的营运车，SVc,15≤SVc,max＜SVc,50；
3)存在中高速：同路段的营运车速度都低于85位速度，但是至少存在一辆速度高于50位速度的营运车，SVc,50≤SVc,max＜SVc,85；
4)存在高速：至少存在一辆营运车的速度高于85位速度，SVc,max＞SVc,85。
优选地，从上述9个技术特征选取单辆营运车的速度vc、车辆类型VT以及营运车样本全集特征作为模型的输入。
本发明首先对浮动车中的出租车数据进行可靠性分析，通过假设检验，得出结论，高速公路上的出租车路段速度与交通流的速度差异不大，在计算中可以使用出租车路段速度作为高速公路的路段速度。
接着对浮动车数据在高速公路上的分布进行分析，发现高速公路上的出租车速度高于营运车(客运车和货运车)，且出租车多在靠近市区的高速公路上活动，而营运车基本上覆盖了高速公路路网。基于这种分布差异性，为了在不存在出租车，只存在营运车数据的高速公路上获得相对准确的路段速度，提出了一种高速公路路段速度修正方法。
本发明利用高速公路上的浮动车数据，考虑了高速公路上浮动车数据分布的差异以及浮动车数据本身的差异构建了营运车速度样本特征集，使用人工神经网络，以该特征集为输入，以对应的出租车路段速度(标准速度)作为输出，进行训练，得到营运车速度样本和出租车路段速度的关系，从而可以在只有营运车速度样本集的情况下得到出租车路段速度。
与现有技术相比，本发明技术方案的有益效果是：(1)适用性广，经过合适的训练可以推广到所有的高速公路。(2)具有数据驱动性，算法简单，处理效率高。(3)准确性高，经过试验比较，平均绝对误差在5km/h以内。
附图说明
图1为本发明的框架示意图。
图2为样本集关系示意图。
图3为出租车速度与营运车样本集特征关系图。
图4为特征选择过程图。
图5为神经网络和训练样本示意图。
图6为人工神经网络模型实验结果示意图。
图7为贝叶斯网络模型实验结果示意图。
图8为本发明的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
地图匹配
地图匹配是依据车载GPS终端车辆在行驶过程中采集到的车辆GPS定位信息，通过特定模型和算法，将车辆当前位置与电子地图上的道路相关联的行为。一般而言，地图匹配算法的目标是鉴别车辆正在行驶的路段和确定车辆在该路段上的位置。
地图匹配结果存储在数据库中，如表1所示，数据表包括车牌号码、GPS定位时间、经度、纬度、速度、方向、匹配路段ID、车辆状态(“4”表示空车，“5”表示载客)等字段。
表1地图匹配结果数据表
浮动车速度的获取
考虑到高速公路上GPS点回传的时间，选取车辆在路段上第一个和最后一个GPS点，利用两GPS点的距离差除以时间差估算车辆的行驶速度。最后以同路段同类浮动车的速度均值作为路段速度。
出租车速度代表性分析
使用位于广深高速上的视频点作为检测器，采集交通流速度；使用位于广深高速上的出租车GPS数据，通过距离-时间模型得到出租车的行驶速度，进一步得到出租车的路段速度，验证该速度与交通流速度的关系。采用假设性检验分析的方式来验证交通流速度与出租车路段速度的关系。最终得到结论，出租车路段速度与交通流速度差异不明显，能够较好的反映高速公路路段运行情况，在计算中可以使用出租车路段速度作为高速公路路段速度。
浮动车数据分布分析
以某一天全天24小时高速公路上的浮动车原始数据为分析对象，剔除速度为0的数据，分车型统计原始浮动车GPS数据的分布情况，分析不同车型的速度差异。得到结论，出租车的速度比营运车速度要快，但是在高速公路上浮动车的分布非常不均匀，广州市出租车的分布主要集中在广州市及临近的高速公路，而广州市的客运车和货运车则广泛分布在广东省的高速公路。这种分布上的不均匀，使得在高速公路上经常会出现只有营运车而没有出租车的情况。
营运车速度样本集特征的选取
对营运车速度样本集进行分析，考虑营运车的车型以及速度特征，从营运车速度样本集SVc中额外区分一个时段样本集SEVc，营运车速度样本集SVc表示拥有的全部营运车速度样本，而时段样本集SEVc表示在特定时间段内的速度样本集，它们的关系图2所示。
从营运车速度样本集SVc中提取特征如下：
(1)样本集15位速度(交通领域将速度按照从小到大的顺序排列，有15％的车辆速度低于这个值，那么这个速度值就是15位速度)SVc,15；
(2)样本集50位速度SVc,50；
(3)样本集85位速度SVc,85；
从时段样本集SEVc中提取特征，如下：
a)样本集平均速度SEVc,avg；
a)样本集最大速度SEVc,max；
b)样本集最小速度SEVc,min；
c)单辆营运车的速度vc；
d)车辆类型VT，营运车车辆类型分为客运车和货运车；
e)营运车样本集速度分布特征θ，根据样本集最大速度SVc,max与其车型特征速度的大小关系，将样本集特征分为四类：
1)普遍低速：同路段的营运车速度都低于15位速度，SVc,max＜SVc,15；
2)普遍中低速：同路段的营运车速度都低于50位速度，但是至少存在一辆速度高于15位速度的营运车，SVc,15≤SVc,max＜SVc,50；
3)存在中高速：同路段的营运车速度都低于85位速度，但是至少存在一辆速度高于50位速度的营运车，SVc,50≤SVc,max＜SVc,85；
4)存在高速：至少存在一辆营运车的速度高于85位速度，SVc,max＞SVc,85。
其中，营运车样本集特征θ同时考虑了样本集最大速度SVc,max以及车辆性能两个因素，表征速度最大的营运车在多大程序上运用了其车辆性能。经过分析，营运车样本集特征与出租车路段速度存在对应关系，如图3所示。
大部分情况下，标准速度小于20km/h时营运车样本集特征往往表现为普遍低速；标准速度为20-50km/h时营运车样本集特征为普遍中低速；标准速度为50-80km/h时营运车样本集特征为存在中高速；标准速度大于80km/h营运车速度样本集特征为存在高速。
上面提到了9个特征，但是这9个特征对于建立营运车速度与标准速度关系并不一定有明显的促进作用。因此，还需要从这9个特征中选取一个合适的特征子集。使用基于序列前向特征选择方法，从9个特征中选取最有效的几个特征作为速度修正模型的输入，用平均绝对相对误差作为目标函数值，数据的训练方法采用神经网络模型，特征选取过程如图4所示。最终选择了单辆营运车的速度vc、车辆类型VT以及营运车样本全集特征作为模型的输入。
图5给出了神经网络结构和训练样本示例。在模型中，设定学习率为0.1，冲量因子为0，训练误差为10-6。
实际使用
在构造好了输入特征以及使用数据对人工神经网络进行了训练之后，就可以直接使用。在某个时刻需要获得特定道路的路段速度，而此时路段上又没有出租车，只有营运车，将该时刻所拥有的营运车数据处理成按照图5左边的样式，作为训练好的人工神经网络的输入，直接输出就是所需要的路段速度。
本发明具有以下特点：1)通过假设检验发现出租车速度和交通流速度差别不大，在计算过程中可以将出租车路段速度看作是高速公路路段速度。2)使用人工神经网络来建立营运车速度和对应出租车路段速度的关系。3)将营运车数据分车型进行分析，得到的各种数据集特征，尤其是营运车样本集特征θ。
本发明的技术效果：以高速公路上所有营运车的速度样本作为本次实验的营运车速度样本集，所有的出租车路段速度作为出租车速度样本集，通过统计分别得出客运车和货运车的15位，50位以及85位速度。用2014年8月28日-9月30日以及10月2日-12月28日的速度作为训练数据，用2014年10月1日的数据作为验证数据。我们选择机场高速做为分析对象。同时使用另外一种常用的技术贝叶斯网络来做对比。
2014年10月1日机场高速三元里至机场方向发生非常发性拥堵，图6为机场高速12000米-13000路段的使用人工神经网络模型实验结果。图7为机场高速12000米-13000米路段使用贝叶斯网络模型的实验结果。表2和表3分别是在拥堵交通状态和在顺畅交通状态下使用神经网络模型和贝叶斯网络模型的误差分析。
在这里引入两个误差分析指标，平绝对相对误差MAPE和平均绝对误差ABS。
其中Tz、分别表示预测值和真实值。
表2拥堵交通状态下的误差
神经网络模型 贝叶斯网络模型 营运车路段速度
MAPE 20％ 23％ 36％
ABS(km/h) 4 4.8 6.3
表3顺畅交通状态下的误差
神经网络模型 贝叶斯网络模型 营运车路段速度
MAPE 5％ 8％ 10％
ABS(km/h) 5 7 9
从实验结果可以发现，在拥堵交通状态下的所有模型的结果都有比较好的表现；在顺畅交通状态下，营运车路段速度以及贝叶斯网络模型的输出结果较出租车路段速度都偏小，而神经网络模型的输出结果更加贴近于出租车路段速度。因此我们提出来的这个方法是一个稳定而又有效的方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于多类型浮动车数据的高速公路路段速度修正方法，其特征在于，包括以下步骤：
S1.地图匹配，依据车载GPS终端车辆在行驶过程中采集到的车辆GPS定位信息，将车辆当前位置与电子地图上的道路相关联；
S2.浮动车速度的获取，选取车辆在路段上第一个和最后一个GPS点，利用两GPS点的距离差除以时间差估算车辆的行驶速度，最后以同路段同类浮动车的速度均值作为路段速度；
S3.通过假设检验，出租车的路段速度在计算过程中作为高速公路的路段速度；
S4.选取营运车速度样本集特征，分别从营运车速度样本集SVc中提取样本全集特征，从时段样本集SEVc中提取基本特征以及速度分布特征；营运车速度样本集SVc表示拥有的全部营运车速度样本，而时段样本集SEVc表示在特定时间段内的速度样本集；
S5.采用特征选取的方法从步骤S4提到的特征中选取特征作为模型的输入，使用人工神经网络模型，输入为营运车速度选取的特征，输出为出租车路段速度，经过训练，得到同时段，同路段营运车速度与出租车速度的关系；
S6.基于步骤S5得到了营运车速度与出租车速度的关系，在没有出租车的路段，通过输入营运车速度就能得到相对应的出租车路段速度，即高速公路路段速度。
2.根据权利要求1所述的基于多类型浮动车数据的高速公路路段速度修正方法，其特征在于，所述步骤S5中分别从营运车速度样本集SVc和时段样本集SEVc中选取特征具体为：
从营运车速度样本集SVc中提取样本全集特征如下：
(1)样本集15位速度SVc,15；
(2)样本集50位速度SVc,50；
(3)样本集85位速度SVc,85；
从时段样本集SEVc中提取样本集基本特征如下：
a)样本集平均速度SEVc,avg；
b)样本集最大速度SEVc,max；
c)样本集最小速度SEVc,min；
d)单辆营运车的速度vc；
e)车辆类型VT，营运车车辆类型分为客运车和货运车；
从时段样本集提取速度分布特征如下：
结合营运车样本全集特征和时段样本集基本特征，提出了营运车时段样本集速度分布特征θ，该特征同时考虑了时段样本集最大速度SEVc,max以及车辆性能两个因素，表征该时刻营运车速度集与标准速度的关系，根据该关系，进一步将速度分布特征分为四类：
1)普遍低速：同路段的营运车速度都低于15位速度，SVc,max＜SVc,15；
2)普遍中低速：同路段的营运车速度都低于50位速度，但是至少存在一辆速度高于15位速度的营运车，SVc,15≤SVc,max＜SVc,50；
3)存在中高速：同路段的营运车速度都低于85位速度，但是至少存在一辆速度高于50位速度的营运车，SVc,50≤SVc,max＜SVc,85；
4)存在高速：至少存在一辆营运车的速度高于85位速度，SVc,max＞SVc,85。
3.根据权利要求2所述的基于多类型浮动车数据的高速公路路段速度修正方法，其特征在于，通过特征选取方法，选取单辆营运车的速度vc、车辆类型VT以及营运车样本全集特征作为模型的输入。
CN201610322238.5A 2016-05-12 2016-05-12 基于多类型浮动车数据的高速公路路段速度修正方法 Active CN105869402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610322238.5A CN105869402B (zh) 2016-05-12 2016-05-12 基于多类型浮动车数据的高速公路路段速度修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610322238.5A CN105869402B (zh) 2016-05-12 2016-05-12 基于多类型浮动车数据的高速公路路段速度修正方法

Publications (2)

Publication Number Publication Date
CN105869402A CN105869402A (zh) 2016-08-17
CN105869402B true CN105869402B (zh) 2019-04-19

Family

ID=56634166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610322238.5A Active CN105869402B (zh) 2016-05-12 2016-05-12 基于多类型浮动车数据的高速公路路段速度修正方法

Country Status (1)

Country Link
CN (1) CN105869402B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251642B (zh) * 2016-09-18 2018-10-26 北京航空航天大学 一种基于实时公交车gps数据的公交路链速度计算方法
WO2019205020A1 (zh) * 2018-04-25 2019-10-31 深圳市锐明技术股份有限公司 一种路况识别方法、装置及设备
CN109544911B (zh) * 2018-10-30 2021-10-01 中山大学 一种基于lstm-cnn的城市路网交通状态预测方法
CN109785614A (zh) * 2018-12-17 2019-05-21 北京掌行通信息技术有限公司 一种海量移动位置数据的监测方法及装置
CN109615879B (zh) * 2018-12-28 2020-12-11 成都路行通信息技术有限公司 基于车联网的车速异常预警模型、方法及模型构建方法
CN110223509B (zh) * 2019-04-19 2021-12-28 中山大学 一种基于贝叶斯增强张量的缺失交通数据修复方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19638798A1 (de) * 1996-09-20 1998-03-26 Deutsche Telekom Mobil Verfahren zur Verkehrsdatenerfassung mittels Mobilfunknetzen
JP2002367091A (ja) * 2001-06-11 2002-12-20 Matsushita Electric Ind Co Ltd フローティングカーデータ収集方法と、それを実施する装置
JP2004258884A (ja) * 2003-02-25 2004-09-16 Matsushita Electric Ind Co Ltd Ｆｃｄ情報収集方法とプローブカーシステム
CN102708689A (zh) * 2012-06-19 2012-10-03 张家港市鸿嘉数字科技有限公司 一种实时路况监控系统
CN103927872A (zh) * 2014-04-28 2014-07-16 武汉大学 一种基于浮动车数据预测多时段行程时间分布的方法
CN104217593A (zh) * 2014-08-27 2014-12-17 北京航空航天大学 一种面向手机移动速度的路况信息实时获取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3849435B2 (ja) * 2001-02-23 2006-11-22 株式会社日立製作所 プローブ情報を利用した交通状況推定方法及び交通状況推定・提供システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19638798A1 (de) * 1996-09-20 1998-03-26 Deutsche Telekom Mobil Verfahren zur Verkehrsdatenerfassung mittels Mobilfunknetzen
JP2002367091A (ja) * 2001-06-11 2002-12-20 Matsushita Electric Ind Co Ltd フローティングカーデータ収集方法と、それを実施する装置
JP2004258884A (ja) * 2003-02-25 2004-09-16 Matsushita Electric Ind Co Ltd Ｆｃｄ情報収集方法とプローブカーシステム
CN102708689A (zh) * 2012-06-19 2012-10-03 张家港市鸿嘉数字科技有限公司 一种实时路况监控系统
CN103927872A (zh) * 2014-04-28 2014-07-16 武汉大学 一种基于浮动车数据预测多时段行程时间分布的方法
CN104217593A (zh) * 2014-08-27 2014-12-17 北京航空航天大学 一种面向手机移动速度的路况信息实时获取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于浮动车定位数据的高速公路区间平均速度估计;何兆成 等;《公路交通科技》;20110630;第28卷(第6期);第128-135页
基于浮动车数据的出租车运营管理特性建模与分析;庄立坚;《重庆交通大学学报( 自然科学版)》;20140430;第33卷(第4期);第122-127页
机动车行驶速度检测系统的设计及其在高速公路交通管理中的应用;杨粤湘 等;《交通科技》;20050430(第209期);第85-87页
高速公路车辆检测器的综合比选;李春杰;《技术》;20061231;第98-104页

Also Published As

Publication number Publication date
CN105869402A (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN105869402B (zh) 基于多类型浮动车数据的高速公路路段速度修正方法
Yu et al. Using hierarchical Bayesian binary probit models to analyze crash injury severity on high speed facilities with real-time traffic data
Lin et al. A review of travel-time prediction in transport and logistics
WO2018064931A1 (zh) 考虑出租车运营状态下的城市道路行程时间分布估算方法
Seo et al. Traffic state estimation with the advanced probe vehicles using data assimilation
WO2018214675A1 (zh) 一种量化分析城市建成环境对道路行程时间影响的方法
CN102136190B (zh) 城市公交客运事件应急响应调度管理系统及方法
CN106846806A (zh) 基于Isolation Forest的城市道路交通异常检测方法
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN104850676B (zh) 一种公路桥梁随机车流仿真模拟方法
CN103903438A (zh) 客运车辆违规停车地点识别方法及系统
Dong et al. Vissim calibration for urban freeways
Pascale et al. Motorway speed pattern identification from floating vehicle data for freight applications
CN106781468A (zh) 基于建成环境和低频浮动车数据的路段行程时间估计方法
Alomari et al. Regional evaluation of bus rapid transit with and without transit signal priority
Wang et al. Vehicle reidentification with self-adaptive time windows for real-time travel time estimation
Rahbar et al. Calibrating a Bayesian transit assignment model using smart card data
Shoufeng et al. Deriving the Macroscopic Fundamental Diagram for an urban area using counted flows and taxi GPS
CN114187766B (zh) 一种基于饱和率的道路服务水平评价方法
Gore et al. Exploring credentials of Wi‐Fi sensors as a complementary transport data: an Indian experience
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
CN108711286B (zh) 一种基于多源车联网和手机信令的交通量分配方法及系统
CN109658693A (zh) 一种路况信息获取和处理的方法及装置
Qin et al. Estimation of urban link travel time distribution using Markov chains and Bayesian approaches
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法

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