CN106128139B - 一种自动躲避拥堵路线的无人车 - Google Patents
一种自动躲避拥堵路线的无人车 Download PDFInfo
- Publication number
- CN106128139B CN106128139B CN201610524384.6A CN201610524384A CN106128139B CN 106128139 B CN106128139 B CN 106128139B CN 201610524384 A CN201610524384 A CN 201610524384A CN 106128139 B CN106128139 B CN 106128139B
- Authority
- CN
- China
- Prior art keywords
- module
- traffic flow
- data
- magnitude
- section
- 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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
- G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Abstract
本发明一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块。本发明预测精度较高且构造的预测模型更有针对性。
Description
技术领域
本发明涉及智能交通领域，具体涉及一种自动躲避拥堵路线的无人车。
背景技术
交通流量是指单位时间内通过道路某一断面的实际车辆数，是描述交通状态的重要特征参数。交通流量的变化又是一个实时、高维、非线性、非平稳的随机过程，相关因素的变化都可能影响下一时刻的交通流量。相关技术中，关于短时的预测装置局限性强，预测精度较低，实时预测未能取得令人满意的结果，未能对人们的实时道路选择提供有效建议，从而交通流量预测大部分停留在交通流量的中长期预测。
发明内容
针对上述问题，本发明提供一种自动躲避拥堵路线的无人车。
本发明的目的采用以下技术方案来实现：
一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述无人车包括：
平台部分和设置在所述平台部分上的任务模块部分，所述平台部分包括舱体和驱动机构，所述驱动机构包括履带、主动轮、负重轮、诱导轮和托带轮，其特征在于，所述平台部分还包括对所述驱动机构和所述任务模块部分进行控制的控制模块和无线通讯模块，所述控制模块通过导线与所述驱动机构和所述任务模块部分相连接。
优选地，所述平台部分还包括设置在所述诱导轮后的诱导轮张紧器，所述诱导轮张紧器设置有弹簧。
优选地，所述弹簧的长度为2-6cm。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本发明的有益效果为：
1、设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；
2、设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，其中预测因子直接影响预测精度，相关系数是测量随机变量相关性的指标，能够帮助选取与预测点密切相关的变量作为预测模型的训练样本，选取多个相关系数作为预测因子，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；
3、相关系数计算模块中的空间相关系数反映了路网的可达性对预测模型的影响，时间相关系数能够表达流量序列的时间顺序，反映两序列时间上的因果关系，从而提高预测因子选取的效率；由于交通流量的周相似性，引入历史相关系数矩阵生成模块的历史相关系数，同时间相关系数和空间相关系数配合使用，为准确预测提供更多的数据支持。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明预测装置各模块的连接示意图。
图2是本发明无人车示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1
参见图1，图2，本实施例一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述无人车包括：
平台部分和设置在所述平台部分上的任务模块部分，所述平台部分包括舱体和驱动机构，所述驱动机构包括履带、主动轮、负重轮、诱导轮和托带轮，其特征在于，所述平台部分还包括对所述驱动机构和所述任务模块部分进行控制的控制模块和无线通讯模块，所述控制模块通过导线与所述驱动机构和所述任务模块部分相连接。
优选地，所述平台部分还包括设置在所述诱导轮后的诱导轮张紧器，所述诱导轮张紧器设置有弹簧。
优选地，所述弹簧的长度为2-6cm。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝8，M＝3，预测精度相对于相关技术提高了1.5％。
实施例2
参见图1，图2，本实施例一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述无人车包括：
平台部分和设置在所述平台部分上的任务模块部分，所述平台部分包括舱体和驱动机构，所述驱动机构包括履带、主动轮、负重轮、诱导轮和托带轮，其特征在于，所述平台部分还包括对所述驱动机构和所述任务模块部分进行控制的控制模块和无线通讯模块，所述控制模块通过导线与所述驱动机构和所述任务模块部分相连接。
优选地，所述平台部分还包括设置在所述诱导轮后的诱导轮张紧器，所述诱导轮张紧器设置有弹簧。
优选地，所述弹簧的长度为2-6cm。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝9，M＝3，预测精度相对于相关技术提高了2％。
实施例3
参见图1，图2，本实施例一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述无人车包括：
平台部分和设置在所述平台部分上的任务模块部分，所述平台部分包括舱体和驱动机构，所述驱动机构包括履带、主动轮、负重轮、诱导轮和托带轮，其特征在于，所述平台部分还包括对所述驱动机构和所述任务模块部分进行控制的控制模块和无线通讯模块，所述控制模块通过导线与所述驱动机构和所述任务模块部分相连接。
优选地，所述平台部分还包括设置在所述诱导轮后的诱导轮张紧器，所述诱导轮张紧器设置有弹簧。
优选地，所述弹簧的长度为2-6cm。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝10，M＝4，预测精度相对于相关技术提高了2.6％。
实施例4
参见图1，图2，本实施例一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述无人车包括：
平台部分和设置在所述平台部分上的任务模块部分，所述平台部分包括舱体和驱动机构，所述驱动机构包括履带、主动轮、负重轮、诱导轮和托带轮，其特征在于，所述平台部分还包括对所述驱动机构和所述任务模块部分进行控制的控制模块和无线通讯模块，所述控制模块通过导线与所述驱动机构和所述任务模块部分相连接。
优选地，所述平台部分还包括设置在所述诱导轮后的诱导轮张紧器，所述诱导轮张紧器设置有弹簧。
优选地，所述弹簧的长度为2-6cm。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝11，M＝5，预测精度相对于相关技术提高了3.2％。
实施例5
参见图1，图2，本实施例一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述无人车包括：
平台部分和设置在所述平台部分上的任务模块部分，所述平台部分包括舱体和驱动机构，所述驱动机构包括履带、主动轮、负重轮、诱导轮和托带轮，其特征在于，所述平台部分还包括对所述驱动机构和所述任务模块部分进行控制的控制模块和无线通讯模块，所述控制模块通过导线与所述驱动机构和所述任务模块部分相连接。
优选地，所述平台部分还包括设置在所述诱导轮后的诱导轮张紧器，所述诱导轮张紧器设置有弹簧。
优选地，所述弹簧的长度为2-6cm。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝12，M＝5，预测精度相对于相关技术提高了3.5％。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种自动躲避拥堵路线的无人车，包括无人车和与无人车相连的预测装置，所述无人车包括：
平台部分和设置在所述平台部分上的任务模块部分，所述平台部分包括舱体和驱动机构，所述驱动机构包括履带、主动轮、负重轮、诱导轮和托带轮，其特征在于，所述平台部分还包括对所述驱动机构和所述任务模块部分进行控制的控制模块和无线通讯模块，所述控制模块通过导线与所述驱动机构和所述任务模块部分相连接；
所述预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列Xj＝[xj(1),xj(2),...,xj(n)]，xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为Xjm(t)＝[xjm(1),xjm(2),...,xjm(n)]，m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'>T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'>T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)>T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
2.根据权利要求1所述的一种自动躲避拥堵路线的无人车，其特征是，所述平台部分还包括设置在所述诱导轮后的诱导轮张紧器，所述诱导轮张紧器设置有弹簧。
3.根据权利要求2所述的一种自动躲避拥堵路线的无人车，其特征是，所述弹簧的长度为2-6cm。
4.根据权利要求3所述的一种自动躲避拥堵路线的无人车，其特征是，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阈值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
5.根据权利要求4所述的一种自动躲避拥堵路线的无人车，其特征是，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610524384.6A CN106128139B (zh) | 2016-06-29 | 2016-06-29 | 一种自动躲避拥堵路线的无人车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610524384.6A CN106128139B (zh) | 2016-06-29 | 2016-06-29 | 一种自动躲避拥堵路线的无人车 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106128139A CN106128139A (zh) | 2016-11-16 |
| CN106128139B true CN106128139B (zh) | 2018-12-14 |
Family
ID=57469475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610524384.6A Active CN106128139B (zh) | 2016-06-29 | 2016-06-29 | 一种自动躲避拥堵路线的无人车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106128139B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
| CN104899663A (zh) * | 2015-06-17 | 2015-09-09 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8755991B2 (en) * | 2007-01-24 | 2014-06-17 | Tomtom Global Assets B.V. | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
| JP4547408B2 (ja) * | 2007-09-11 | 2010-09-22 | 日立オートモティブシステムズ株式会社 | 交通状況予測装置，交通状況予測方法 |
| CN201707607U (zh) * | 2010-07-09 | 2011-01-12 | 亿江(北京)科技发展有限公司 | 履带式无人车 |
| KR101302623B1 (ko) * | 2011-11-09 | 2013-09-03 | 국방과학연구소 | 지상로봇의 전복 및 교착상태 탈출방법 |
| CN104680914A (zh) * | 2013-11-28 | 2015-06-03 | 中国航天科工集团第三研究院第八三五七研究所 | 基于微型自主无人车的智能交通调度实物模拟系统 |
| CN104506378B (zh) * | 2014-12-03 | 2019-01-18 | 上海华为技术有限公司 | 一种预测数据流量的装置及方法 |
| CN105405294A (zh) * | 2015-12-30 | 2016-03-16 | 杭州中奥科技有限公司 | 道路拥堵路段的预警方法 |
-
2016
- 2016-06-29 CN CN201610524384.6A patent/CN106128139B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
| CN104899663A (zh) * | 2015-06-17 | 2015-09-09 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106128139A (zh) | 2016-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105913664B (zh) | 一种交通流量监控预测系统 | |
| CN106157616B (zh) | 一种交通流量短时预测装置 | |
| CN105913654B (zh) | 一种智能交通管理系统 | |
| Osorio et al. | Simulation-based optimization: achieving computational efficiency through the use of multiple simulators | |
| CN107992968A (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
| CN105987822A (zh) | 用于预测装备故障的方法和系统 | |
| CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
| CN106289691A (zh) | 一种基于微波雷达装置的桥梁分块冲击振动检测方法及检测装置 | |
| CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
| CN107451703A (zh) | 一种基于因子图模型的社交网络多任务预测方法 | |
| CN108389421A (zh) | 基于图像再识别的停车场精确诱导系统及方法 | |
| CN106128122B (zh) | 一种智能交通信号灯 | |
| CN106529185A (zh) | 一种古建筑位移的组合预测方法及系统 | |
| CN106097712B (zh) | 一种交通流优化引导系统 | |
| CN108877224B (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
| CN106128139B (zh) | 一种自动躲避拥堵路线的无人车 | |
| CN106503794A (zh) | 一种风机齿轮箱剩余寿命预测方法 | |
| CN106128142B (zh) | 一种机动车导航系统 | |
| CN107480703A (zh) | 交易故障检测方法及装置 | |
| Beck et al. | How managers can deal with complex issues: A semi-quantitative analysis method of causal loop diagrams based on matrices | |
| CN106157615B (zh) | 一种交通流量信息管理手持终端 | |
| CN106128101A (zh) | 交通流量短时预测结果的可视化装置 | |
| CN106128098B (zh) | 一种能够进行交通流量预测的多屏显示装置 | |
| Song et al. | Statistical traffic generation methods for urban traffic simulation | |
| CN106128102B (zh) | 一种交通堵塞预警装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20181102 Address after: 221400 three groups of stripe village, ah Hu Town, Xinyi, Xuzhou, Jiangsu Applicant after: Xuzhou Haide Power Industrial Machinery Co., Ltd. Address before: No. 372, Zhenhai District, Ningbo, Zhejiang, Zhejiang Applicant before: Xiao Rui |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |