CN106056903B - 基于gps数据的道路拥塞区域的检测方法 - Google Patents
基于gps数据的道路拥塞区域的检测方法 Download PDFInfo
- Publication number
- CN106056903B CN106056903B CN201610456777.8A CN201610456777A CN106056903B CN 106056903 B CN106056903 B CN 106056903B CN 201610456777 A CN201610456777 A CN 201610456777A CN 106056903 B CN106056903 B CN 106056903B
- Authority
- CN
- China
- Prior art keywords
- road
- gps data
- cluster
- speed
- steps
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明提出了一种基于GPS数据的道路拥塞区域的检测方法,包括:采集城市道路上行驶车辆的GPS数据,利用预设道路集群确定算法对所述GPS数据进行分析处理,获取多个城市道路集群,其中,所述GPS数据包括:车辆所在的经度、维度、数据采样周期、车辆速度和当前日期;根据预设的交通模式检测算法获取每个所述城市道路集群的交通状态;根据每个所述城市道路集群的交通状态,判断城市道路中的拥塞区域。本发明通过集群的思想将路段划分成不同的道路集群,获取每个集群的交通模式,将道路拥塞区域缩小为每个集群,从而可以提高道路拥塞检测的精度。
Description
技术领域
本发明涉及智能交通和车联网技术领域,特别涉及一种基于GPS数据的道路拥塞区域的检测方法。
背景技术
每个城市都有自己的城市道路交通网络,人们通过选择不同的路线可以快速到达自己的目的地。然而,很多时候由于交通拥塞,如果还是依照以往的出行路线,那么用户将很难在规定时间内到达自己的目的地。众所周知,城市道路拥塞是一种动态的拥塞,而非静态的拥塞。这也意味着,道路拥塞的程度随着时间的变化而变化。因此,如果要获得道路的状态,则必须要获得道路上的交通流状态。
处理采集的汽车的GPS数据信息,不仅可以用于获知当前的交通状态,而且可以用于预测和分析城市未来的交通状态和交通模式。从这些实时数据中挖掘出可能的交通模式,交通模式可以用于检测可能的拥塞范围。因此,在此基础上,交通工作者可以制定基于交通拥塞程度和道路等级的相关策略,缓解城市交通拥堵。
现有的基于交通拥塞程度和道路等级的相关策略主要包括以下几种:
(1)研究交通系统中交通信号的控制问题,提出的基于道路网中车辆分配最小化的分配策略方案。
(2)利用采集的车辆的GPS数据,来预测用户的分布地点。利用K均值算法将所研究区域分成不同的集群,然后用马尔科夫模型分析每个集群。该算法通过挖掘车辆的GPS数据,旨在获取用户显著的分布地点。
(3)研究从基于公共交通的浮动车的GPS数据中挖掘出可能的交通模式的方法,并将挖掘结果用于公交时刻表的监测问题中。由于每个集群都有自己固有的平均速度,在一定程度上速度可以反映交通状态,因此交通工作者根据集群属性制定基于集群的关联规则,一定程度上缓解道路交通。
(4)开发一种使用机器学习方法来估算交通状况和速度模式的速度模式模型,仿真结果表明,该模型可以较准确的估算道路交通速度。
但是,上述四种策略的重点都是交通状态的识别,均没有涉及到交通拥塞区域的检测。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种基于GPS数据的道路拥塞区域的检测方法,通过集群的思想将路段划分成不同的道路集群,获取每个集群的交通模式,将道路拥塞区域缩小为每个集群,从而可以提高道路拥塞检测的精度。
为了实现上述目的,本发明的实施例提供一种基于GPS数据的道路拥塞区域的检测方法,包括如下步骤:
步骤S1,采集城市道路上行驶车辆的GPS数据,利用预设道路集群确定算法对所述GPS数据进行分析处理,获取多个城市道路集群,其中,所述GPS数据包括:车辆所在的经度、维度、数据采样周期、车辆速度和当前日期,利用预设道路集群确定算法对所述GPS数据进行分析处理,包括如下步骤:
获取采集时刻t的车辆的GPS数据,将所述GPS数据中的经纬度信息记为集合A;
根据预存的城市地图,确定所述城市道路对应的道路网的经纬度信息,记为集合R;
判断是否满足如果是,则判断所述集合A为一个所述城市道路集群,否则舍弃所述集合A中的经纬度信息,继续采集t+1时刻的GPS数据,其中,k为比例系数;
在判断所述集合A为一个所述城市道路集群后,进一步判断所述集合A是否在城市道路经纬度范围内,如果是,则将该集合A存储至数据库,记为t时刻的城市道路集群DB[t],继续采集t+1时刻的GPS数据;否则舍弃;
步骤S2,根据预设的交通模式检测算法获取每个所述城市道路集群的交通状态,根据预设的交通模式检测算法获取每个所述城市道路集群的交通状态,包括如下步骤:
设置基于速度的道路等级划分图表,所述基于速度的道路等级划分图表包括:三种道路类型以及每种所述道路类型对应的5级道路平均速度区间,
对每种所述道路类型执行以下步骤:
(1)定义5个速度等级变量初始为i=j=k=l=m=0,其中,i、j、k、l、m分别表示当前道路中处于不同交通状况下的集群的数目;
(2)读取数据库中t时刻的该道路类型对应的GPS数据,并从所述GPS数据中获取当前道路平均速度DB[t].speed;
(3)如果DB[ID].speed>k1,则执行i=i+1,执行步骤(8),否则执行步骤(4);
(4)如果DB[ID].speed>k2,则执行j=j+1,执行步骤(8),否则执行步骤(5);
(5)如果DB[ID].speed>k3,则执行k=k+1,执行步骤(8),否则执行步骤(6);
(6)如果DB[ID].speed>k4,则执行l=l+1,执行步骤(8),否则执行步骤(7);
(7)执行m=m+1;
(8)如果t+1时刻的该道路类型对应的GPS数据是否在数据库中,则执行步骤2;否则结束,
其中,k1、k2、k3和k4分别对应一种道路类型下不同等级的道路平均速度阈值;
步骤S3,根据每个所述城市道路集群的交通状态,判断城市道路中的拥塞区域。
进一步,在所述步骤S1中,利用预设道路集群确定算法对所述GPS数据进行分析处理,包括如下步骤:
获取采集时刻t的车辆的GPS数据,将所述GPS数据中的经纬度信息记为集合A;
根据预存的城市地图,确定所述城市道路对应的道路网的经纬度信息,记为集合R;
判断是否满足如果是,则判断所述集合A为一个所述城市道路集群,否则舍弃所述集合A中的经纬度信息,继续采集t+1时刻的GPS数据,其中,k为比例系数;
在判断所述集合A为一个所述城市道路集群后,进一步判断所述集合A是否在城市道路经纬度范围内,如果是,则将该集合A存储至数据库,记为t时刻的城市道路集群DB[t],继续采集t+1时刻的GPS数据;否则舍弃。
进一步,k取值范围为70%~100%。
进一步,在所述步骤S2中,根据预设的交通模式检测算法获取每个所述城市道路集群的交通状态,包括如下步骤:
设置基于速度的道路等级划分图表,所述基于速度的道路等级划分图表包括:三种道路类型以及每种所述道路类型对应的5级道路平均速度区间,
对每种所述道路类型执行以下步骤:
(1)定义5个速度等级变量初始为i=j=k=l=m=0,其中,i、j、k、l、m分别表示当前道路中处于不同交通状况下的集群的数目;
(2)读取数据库中t时刻的该道路类型对应的GPS数据,并从所述GPS数据中获取当前道路平均速度DB[t].speed;
(3)如果DB[ID].speed>k1,则执行i=i+1,执行步骤(8),否则执行步骤(4);
(4)如果DB[ID].speed>k2,则执行j=j+1,执行步骤(8),否则执行步骤(5);
(5)如果DB[ID].speed>k3,则执行k=k+1,执行步骤(8),否则执行步骤(6);
(6)如果DB[ID].speed>k4,则执行l=l+1,执行步骤(8),否则执行步骤(7);
(7)执行m=m+1;
(8)如果t+1时刻的该道路类型对应的GPS数据是否在数据库中,则执行步骤2;否则结束,
其中,k1、k2、k3和k4分别对应一种道路类型下不同等级的道路平均速度阈值。
进一步,所述三种道路类型包括:主干路、次干路和支路。
进一步,当所述道路类型为主干路时,k1=45、k2=35、k3=25、k4=15;
当所述道路类型为主干路或支路时,k1=35、k2=25、k3=15、k4=10。
根据本发明实施例的基于GPS数据的道路拥塞区域的检测方法,对城市道路进行集群化处理,以道路集群为单位,处理其中的GPS数据,从而获得该集群的道路交通状态,并根据交通状态判断道路拥塞区域。本发明相对于以整条道路为单位的道路拥塞区域的检测方法而言,其使用的道路集群确定算法和交通模式识别算法可以提高道路拥塞的检测精度,实现对城市交通拥塞区域的检测。
在城市道路网中,由于道路使用者选择路线原则通常是基于自身的出行时间最小为基本原则,出行时间即路线中不同路段的行程时间的总和。本发明通过集群的思想将路段划分成不同的道路集群,获取每个集群的交通模式,将道路拥塞区域缩小为每个集群,从而可以提高道路拥塞检测的精度。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于GPS数据的道路拥塞区域的检测方法的架构图;
图2为根据本发明实施例的基于GPS数据的道路拥塞区域的检测方法的流程图;
图3为根据本发明实施例的道路集群确定算法的流程图;
图4为根据本发明实施例的交通模式检测算法的流程图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
图1为根据本发明实施例的基于GPS数据的道路拥塞区域的检测方法的架构图。参考图1,本发明实施例的基于GPS数据的道路拥塞区域的检测方法,首先采集各子路段上的原始GPS数据,然后采用道路集群划分算法获取多个城市道路集群,在通过交通模式检测算法对各个道路的交通状态进行预测,检测出道路上的拥塞区域。
如图2所示,本发明实施例的基于GPS数据的道路拥塞区域的检测方法,包括如下步骤:
步骤S1,采集城市道路上行驶车辆的GPS数据,利用预设道路集群确定算法对GPS数据进行分析处理,获取多个城市道路集群。
具体地,采集城市道路上的多个形式车辆的GPS数据,其中GPS数据需要满足在一段时间内相对完整的要求。
在本发明的一个实施例中,通过车辆上装配的车载智能终端设备(设备内置有GPS模块),在车辆行驶过程中实时采集车辆的静态信息和动态信息(GPS数据),并将采集的信息上传到云平台。其中,静态信息为车辆的基本设备信息,动态信息,即GPS数据包括车辆起始状态的经纬度、当前车速、加速度、移动角度等。
由于基础交通信息中包括多种交通模式,为挖掘出符合要求的交通模式,本发明需要提前过滤掉GPS数据中的杂项,得到最终的GPS数据形式为:车辆所在的经度、维度、数据采样周期、车辆速度和当前日期。
然后根据获取的GPS信息,使用道路集群划分算法处理,得到多个城市道路集群。道路集群划分算法利用集群的思想,对道路进行划分,从而将道路拥塞区域的检测转化为道路集群中拥塞区域的检测。
图3为根据本发明实施例的道路集群确定算法的流程图。
步骤S301,获取采集时刻t的车辆的GPS数据,将GPS数据中的经纬度信息记为集合A;
步骤S302,根据预存的城市地图,确定城市道路对应的道路网的经纬度信息,记为集合R;
步骤S303,判断是否满足如果是,则判断集合A为一个城市道路集群,否则执行步骤S304,舍弃集合A中的经纬度信息,继续采集t+1时刻的GPS数据,其中,k为比例系数。
在本发明的一个实施例中,k取值范围为70%~100%。优选的,k=80%。即,如果存在则判断集合A是一个道路集群,否则舍弃该集合中的经纬度信息。
步骤S305,在判断集合A为一个城市道路集群后,进一步判断集合A是否在城市道路经纬度范围内,如果是,则执行步骤S307,将该集合A存储至数据库DB,ID号为t,记为t时刻的城市道路集群DB[t]=A,继续采集t+1时刻的GPS数据;否则执行步骤S306,舍弃该集合A。
步骤S2,根据预设的交通模式检测算法获取每个城市道路集群的交通状态,即道路是否拥塞,以及拥塞的程度等。
在本发明的一个实施例中,针对每个道路集群,使用交通模式检测算法得到道路集群的交通模式,从而判断出整条道路的交通模式。其中,交通模式检测算法是一种基于道路平均速度的交通模式检测算法,处理采集的道路集群中的GPS数据。
图4为根据本发明实施例的交通模式检测算法的流程图。
首先,设置基于速度的道路等级划分图表,基于速度的道路等级划分图表包括:三种道路类型以及每种道路类型对应的5级道路平均速度区间。在本发明的一个实施例中,三种道路类型包括:主干路、次干路和支路。
具体来说,根据研究经验,得出表1所示的道路交通速度和表2所示的道路交通指数以及对应的路况表格。道路交通指数是指通过统计不同道路等级下的道路平均速度,计算出不同道路类型下的道路平均速度在全网中所占的比例,并将这一比例通过人为对道路交通拥塞的感知换算成0-10的指数指标。道路交通指数能实时动态的反映城市道路网的运行状态,为交通指挥中心及时制定有效措施提供理论基础。
表1
道路交通指数 | 对应路况 |
0-2 | 道路基本通畅 |
2-4 | 有少量交通拥塞 |
4-6 | 部分环路、主干路交通拥塞 |
6-8 | 大量环路、主干路交通拥塞 |
8-10 | 城市道路网大部分道路拥塞 |
表2
然后,对每种道路类型执行以下步骤:
步骤S401,定义5个速度等级变量初始为i=j=k=l=m=0,其中,i、j、k、l、m分别表示当前道路中处于不同交通状况下的集群的数目;
步骤S402,读取数据库中t时刻的该道路类型对应的GPS数据DB[D],并从GPS数据中获取当前道路平均速度DB[t].speed;
步骤S403,如果DB[ID].speed>k1,则执行i=i+1,执行步骤S409,否则执行步骤S404;
步骤S404,如果DB[ID].speed>k2,则执行j=j+1,执行步骤S409,否则执行步骤S405;
步骤S405,如果DB[ID].speed>k3,则执行k=k+1,执行步骤S409,否则执行步骤S406;
步骤S406,如果DB[ID].speed>k4,则执行l=l+1,执行步骤S409,否则执行步骤S407;
步骤S407,判断DB[ID].speed是否为0,如果是,则进行异常数据修复或舍弃;
步骤S408,执行m=m+1;
步骤S409,如果t+1时刻的该道路类型对应的GPS数据是否在数据库中,则执行步骤S402;否则结束,
其中,k1、k2、k3和k4分别对应一种道路类型下不同等级的道路平均速度阈值。
在本发明的一个实施例中,当道路类型为主干路时,k1=45、k2=35、k3=25、k4=15;当道路类型为主干路或支路时,k1=35、k2=25、k3=15、k4=10。
道路集群的GPS数据经交通模式识别算法处理后,可以得到道路中集群所处的交通状态,即当前时刻下道路畅通的集群数目和道路发生拥塞的集群数目。
下面以主干路为例对获取城市道路集群的交通状态进行说明。
步骤S401,定义5个速度等级变量初始为i=j=k=l=m=0,其中,i、j、k、l、m分别表示当前道路中处于不同交通状况下的集群的数目;
步骤S402,读取数据库中t时刻的主干路对应的GPS数据DB[D],并从GPS数据中获取当前道路平均速度DB[t].speed;
步骤S403,如果DB[ID].speed>45,则执行i=i+1,执行步骤S409,否则执行步骤S404;
步骤S404,如果DB[ID].speed>35,则执行j=j+1,执行步骤S409,否则执行步骤S405;
步骤S405,如果DB[ID].speed>25,则执行k=k+1,执行步骤S409,否则执行步骤S406;
步骤S406,如果DB[ID].speed>15,则执行l=l+1,执行步骤S409,否则执行步骤S407;
步骤S407,判断DB[ID].speed是否为0,如果是,则进行异常数据修复或舍弃;
步骤S408,执行m=m+1;
步骤S409,如果t+1时刻的主干路对应的GPS数据是否在数据库中,则执行步骤S402;否则结束。
需要说明的是,对于次干路和支路的处理方法类似于上述对主干路的处理方法,在此不再赘述。
步骤S3,根据每个城市道路集群的交通状态,判断城市道路中的拥塞区域。
具体地,根据步骤S2中的每个道路集群的交通状态,参考表2结合约定好的交通模式分类规则,得到道路中发生拥塞的区域。
根据本发明实施例的基于GPS数据的道路拥塞区域的检测方法,对城市道路进行集群化处理,以道路集群为单位,处理其中的GPS数据,从而获得该集群的道路交通状态,并根据交通状态判断道路拥塞区域。本发明相对于以整条道路为单位的道路拥塞区域的检测方法而言,其使用的道路集群确定算法和交通模式识别算法可以提高道路拥塞的检测精度,实现对城市交通拥塞区域的检测。
在城市道路网中,由于道路使用者选择路线原则通常是基于自身的出行时间最小为基本原则,出行时间即路线中不同路段的行程时间的总和。本发明通过集群的思想将路段划分成不同的道路集群,获取每个集群的交通模式,将道路拥塞区域缩小为每个集群,从而可以提高道路拥塞检测的精度。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。
Claims (4)
1.一种基于GPS数据的道路拥塞区域的检测方法,其特征在于,包括如下步骤:
步骤S1,采集城市道路上行驶车辆的GPS数据,利用预设道路集群确定算法对所述GPS数据进行分析处理,获取多个城市道路集群,其中,所述GPS数据包括:车辆所在的经度、维度、数据采样周期、车辆速度和当前日期,利用预设道路集群确定算法对所述GPS数据进行分析处理,包括如下步骤:
获取采集时刻t的车辆的GPS数据,将所述GPS数据中的经纬度信息记为集合A;
根据预存的城市地图,确定所述城市道路对应的道路网的经纬度信息,记为集合R;
判断是否满足如果是,则判断所述集合A为一个所述城市道路集群,否则舍弃所述集合A中的经纬度信息,继续采集t+1时刻的GPS数据,其中,k为比例系数;
在判断所述集合A为一个所述城市道路集群后,进一步判断所述集合A是否在城市道路经纬度范围内,如果是,则将该集合A存储至数据库,记为t时刻的城市道路集群DB[t],继续采集t+1时刻的GPS数据;否则舍弃;
步骤S2,根据预设的交通模式检测算法获取每个所述城市道路集群的交通状态,根据预设的交通模式检测算法获取每个所述城市道路集群的交通状态,包括如下步骤:
设置基于速度的道路等级划分图表,所述基于速度的道路等级划分图表包括:三种道路类型以及每种所述道路类型对应的5级道路平均速度区间,
对每种所述道路类型执行以下步骤:
(1)定义5个速度等级变量初始为i=j=k=l=m=0,其中,i、j、k、l、m分别表示当前道路中处于不同交通状况下的集群的数目;
(2)读取数据库中t时刻的该道路类型对应的GPS数据,并从所述GPS数据中获取当前道路平均速度DB[t].speed;
(3)如果DB[ID].speed>k1,则执行i=i+1,执行步骤(8),否则执行步骤(4);
(4)如果DB[ID].speed>k2,则执行j=j+1,执行步骤(8),否则执行步骤(5);
(5)如果DB[ID].speed>k3,则执行k=k+1,执行步骤(8),否则执行步骤(6);
(6)如果DB[ID].speed>k4,则执行l=l+1,执行步骤(8),否则执行步骤(7);
(7)执行m=m+1;
(8)如果t+1时刻的该道路类型对应的GPS数据是否在数据库中,则执行步骤2;否则结束,
其中,k1、k2、k3和k4分别对应一种道路类型下不同等级的道路平均速度阈值;
步骤S3,根据每个所述城市道路集群的交通状态,判断城市道路中的拥塞区域。
2.如权利要求1所述的基于GPS数据的道路拥塞区域的检测方法,其特征在于,k取值范围为70%~100%。
3.如权利要求1所述的基于GPS数据的道路拥塞区域的检测方法,其特征在于,所述三种道路类型包括:主干路、次干路和支路。
4.如权利要求3所述的基于GPS数据的道路拥塞区域的检测方法,其特征在于,
当所述道路类型为主干路时,k1=45、k2=35、k3=25、k4=15;
当所述道路类型为主干路或支路时,k1=35、k2=25、k3=15、k4=10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610456777.8A CN106056903B (zh) | 2016-06-22 | 2016-06-22 | 基于gps数据的道路拥塞区域的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610456777.8A CN106056903B (zh) | 2016-06-22 | 2016-06-22 | 基于gps数据的道路拥塞区域的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056903A CN106056903A (zh) | 2016-10-26 |
CN106056903B true CN106056903B (zh) | 2018-11-27 |
Family
ID=57168843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610456777.8A Active CN106056903B (zh) | 2016-06-22 | 2016-06-22 | 基于gps数据的道路拥塞区域的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056903B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230698B (zh) * | 2016-12-21 | 2020-06-26 | 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 |
CN108629981A (zh) * | 2018-05-14 | 2018-10-09 | 重庆市通信建设有限公司 | 自适应公交优先道管控方法 |
CN108806254B (zh) * | 2018-06-28 | 2020-05-26 | 中国联合网络通信有限公司深圳市分公司 | 城市交通走廊的识别方法、装置及计算机可读存储介质 |
CN111739283B (zh) * | 2019-10-30 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
CN110942640B (zh) * | 2019-12-04 | 2022-01-25 | 无锡华通智能交通技术开发有限公司 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
CN114822016B (zh) * | 2022-03-11 | 2023-07-25 | 上海工程技术大学 | 一种基于gps数据流的路段均速估计系统 |
CN115331428B (zh) * | 2022-07-05 | 2023-10-17 | 成利吉(厦门)智能股份有限公司 | 一种基于规则库的交通信号优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN103050009A (zh) * | 2013-01-21 | 2013-04-17 | 北京世纪高通科技有限公司 | 一种提供动态交通信息的方法、装置及系统 |
CN104680785A (zh) * | 2013-11-28 | 2015-06-03 | 中国移动通信集团公司 | 一种路段交通状况确定方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130166188A1 (en) * | 2011-12-21 | 2013-06-27 | Microsoft Corporation | Determine Spatiotemporal Causal Interactions In Data |
-
2016
- 2016-06-22 CN CN201610456777.8A patent/CN106056903B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN103050009A (zh) * | 2013-01-21 | 2013-04-17 | 北京世纪高通科技有限公司 | 一种提供动态交通信息的方法、装置及系统 |
CN104680785A (zh) * | 2013-11-28 | 2015-06-03 | 中国移动通信集团公司 | 一种路段交通状况确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106056903A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056903B (zh) | 基于gps数据的道路拥塞区域的检测方法 | |
AU2016247117B2 (en) | Driver profiling system and method | |
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
EP2255347B1 (en) | Travel pattern information obtaining device, travel pattern information obtaining method, travel pattern information obtaining program and computer readable medium | |
CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
Raj et al. | Application of data mining techniques for traffic density estimation and prediction | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN103366557A (zh) | 基于拥堵指数的交通拥堵评价方法 | |
CN107330217A (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN109886474B (zh) | 一种面向自动驾驶车辆测试的封闭测试场规划方法 | |
Li et al. | Clustering pavement roughness based on the impacts on vehicle emissions and public health | |
Cohen et al. | Travel time estimation between loop detectors and FCD: A compatibility study on the Lille network, France | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
Mitsakis et al. | The sensor location problem: methodological approach and application | |
Kajalić et al. | Travel time estimation on urban street segment | |
Li et al. | Calibrating VISSIM roundabout model using a critical gap and follow-up headway approach | |
Oskarbski et al. | Analysis of possibilities for the use of volume-delay functions in the planning module of the TRISTAR system | |
Zheng et al. | Estimation of travel time of different vehicle types at urban streets based on data fusion of multisource data | |
Kalinic et al. | Floating car data and fuzzy logic for classifying congestion indexes in the city of Shanghai | |
CN103927434A (zh) | 一种综合客运枢纽人-车冲突实时分析方法 | |
Nai et al. | Optimized Road Status Level Grading Method in Driving Style Evaluation for Pay-How-You-Drive Commercial Vehicle Insurance | |
Wolshon et al. | Identifying high-risk roadways for infrastructure investment using naturalistic driving data | |
Kyriakou et al. | A low-cost pavement-rating system, based on machine learning, utilising smartphone sensors | |
CN107122706A (zh) | 一种基于增长型极限学习机的车辆检测方法 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 |
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 |