CN106327864A - 一种基于高速公路联网收费数据的交通流估计方法 - Google Patents
一种基于高速公路联网收费数据的交通流估计方法 Download PDFInfo
- Publication number
- CN106327864A CN106327864A CN201510404678.0A CN201510404678A CN106327864A CN 106327864 A CN106327864 A CN 106327864A CN 201510404678 A CN201510404678 A CN 201510404678A CN 106327864 A CN106327864 A CN 106327864A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- network
- road network
- vehicle
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公布了一种基于高速公路联网收费数据的交通流估计方法,所述方法基于历史高速公路联网收费数据,首先估计得到历史上不同时段路网上各个路段的交通流;再分析得到在过去若干时间段内路网各个进口交通流的分配模式;然后基于当前所有在途车辆的进入路网入口位置和时间,完成高速路网实时交通流的估计;交通流分配模式提取方法将t时段一个O相对于D的贡献率记作COD,通过用信息熵对COD稳定模式进行度量获得。本发明数据具有成本低、全路网覆盖、全天候工作和数据质量高等优势,无需投入额外硬件成本即解决高速公路网交通流的估计问题,可成为现有路网交通流监测的有效手段和有益补充。
Description
技术领域
本发明属于智能交通技术领域,涉及一种根据高速公路联网收费数据估计实时路网交通流的方法。
背景技术
随着我国经济的快速发展,高速公路交通的发展和管理效率的提高变得至关重要。有效对高速公路网的交通流进行准确反演和估计是提升高速公路运营管理水平与服务质量的基础。
现有高速路网交通流估计方法主要依赖各类交通检测器,如视频、微波、线圈、GPS、音频等。一方面,所有这些设备的安装都需要很高的成本,给高速公路的业主带来很重的经济负担,同时也很难实现全路网无缝覆盖,因此很难实现全路网的交通流监测和估计;另一方面,基于这些设备所采集的路网交通流都存在各自不同的缺陷。如基于视频道路交通流监测方式在夜间或者雾天等不良能见度的情形下往往无法有效的工作;线圈交通流监测方式往往需要挖开高速公路地面进行布设,导致对道路一定程度上的损坏,却在出现故障时往往不能得到有效的维护,导致目前高速路网上的线圈很少在正常的工作;GPS交通监测方式存在数据样本少的问题,导致对路况估计的准确度存在很大的不确定性;基于微波的道路交通流检测方式往往只能对道路断面进行监测,因此要想实现大范围高速路网的交通流监测存在很大的挑战;另外,基于音频的交通流监测方法虽然成本很低,且不受路网能见度等的影响全天候的工作,但是该方式在交通流拥堵的情形下往往很难高效工作。总之,每种监测方式都存在各自的优缺点,没有任何一种方式能够适合于所有的工况。
联网收费数据是为收费服务的,它存在样本全、质量高、全路网覆盖且有专门的团队维护等优势;基于联网收费数据进行交通状态估计不需要付出额外的交通流检测设备购置成本。但是,目前尚缺少能够根据高速公路联网收费数据针对实时路网交通流进行估计的有效方法。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于高速公路联网收费数据的交通流估计方法,基于历史高速公路联网收费数据,首先估计得到历史上不同时段路网上各个路段的交通流;再分析得到在过去若干时间段内路网各个进口交通流的分配模式;然后基于当前所有在途车辆的进入路网入口位置和时间,完成高速路网实时交通流的估计;本发明在不投入额外硬件成本前提下解决了高速公路网交通流的估计问题。
本发明提供的技术方案是:
一种基于高速公路联网收费数据的交通流估计方法,所述方法基于历史高速公路联网收费数据,获取联网高速公路的历史OD(Original Destination)记录作为数据样本,通过估计历史交通流、获取路网车辆OD分配模式和估计实时交通流来获得高速路网实时交通流信息,具体包括如下步骤:
1)基于历史高速公路联网收费数据,通过高速公路网历史交通流估计方法得到历史上不同时段路网上各个路段的交通流;
2)根据当前路网上所有已经驶离高速路网车辆收费数据,通过高速公路网入口交通流分配模式提取方法,获得在过去若干时间段内路网各个进口交通流的分配模式;
3)基于当前所有在途车辆的进入路网的入口位置和时间,实现高速路网实时交通流的估计,获得高速路网实时交通流信息。
针对上述基于高速公路联网收费数据的交通流估计方法,进一步地,步骤1)所述高速公路网历史交通流估计方法具体包括如下步骤:
11)针对每条历史OD记录,计算该历史OD记录对应的最短路径和行驶时间;
12)针对每条历史OD记录,根据匀速行驶的基本假设计算车辆进入各个路段的时刻,并更新速度的统计样本量和流量值;
13)针对每条历史OD记录,计算各个时段车辆所处的路段;
14)针对所有历史OD记录均执行步骤11)~14),得到样本中每一条历史OD记录对应的最短路径、行驶时间和在各个时段车辆所处的路段;
15)用样本平均值计算得到所述最短路径的车辆速度和流量,得到路网中各时空点上的历史交通流状态。
步骤2)所述高速公路网入口交通流分配模式提取方法具体包括如下步骤:
21)构造T*P的矩阵V,其中P为OD对个数,T为时间间隔;V的每一列i表示OD对i在时序上的流量变化;V的每一行j表示了在j时段内全路网OD流量变化;
22)将t时段一个O相对于D的贡献率记作COD;基于矩阵V,构造一个COD序列,首先取得COD的分布区间[min(COD),max(COD)];之后将该区间10等分,然后统计得到处于不同区间的COD的个数,即某一COD值出现的次数,作为ai值;
23)收集t时段一个O相对于D的贡献率COD在n天的取值,用信息熵对COD稳定模式进行度量,获得最频繁的、最能代表某入口在某时段流量分配比例的模式,作为COD稳定模式;信息熵通过如下公式计算得到:
H(i)=log(s)-(1/s)∑i ai log(ai) (式1)
式1中,ai为某一COD值在这n天中出现的次数;s是不同的COD值的个数。
步骤3)所述高速公路网实时交通流估计方法具体包括如下步骤:
31)使用历史交通流估计方法,对当前时段之前的n个时间段进行历史交通流估计,得到路网中任意原子路段在n个连续时段内的车辆通行速;
32)运用路网车辆分配模式提取方法,对该n个连续时间段内路网车辆的OD分配比例进行统计,得到任意站点Si到任意其他站点Sj的车辆分配比例Ci,j;
33)统计当前时段以及前n个时段内任意站点Si的入口车辆数目;
34)对任意站点Si,得到分配比例序列,根据该比例分配入口车辆数目序列至OD间最短路径上;
35)对所有上述OD对Si和Sj,取其最短路径,根据该路径各时段速度与分配概率Pi,j,计算当前时段内,入口车辆数目序列分配到该路径上的对应位置;
36)对各路段计算得到各站点在当前时段内能够到达该路段的车辆总数,实现对各个路段实时的交通流估计值,包括速度和流量。
与现有技术相比,本发明的有益效果是:
高速路网交通流估计现有方法主要依赖各类交通检测器,实施成本高,也很难实现全路网无缝覆盖,而且基于这些设备所采集到的路网交通流都各有缺陷,难以适用于所有的工况。而联网收费数据是为收费服务的,它存在样本全、质量高、全路网覆盖且有专门的团队维护等得先天优势,同时基于联网收费数据进行交通状态估计不需要付出额外的交通流检测设备购置成本。本发明提供一种基于高速公路联网收费数据的交通流估计方法,基于历史高速公路联网收费数据,首先估计得到历史上不同时段路网上各个路段的交通流;再分析得到在过去若干时间段内路网各个进口交通流的分配模式;然后基于当前所有在途车辆的进入路网入口位置和时间,完成高速路网实时交通流的估计;本发明在不投入额外硬件成本前提下解决了高速公路网交通流的估计问题。
因此,本发明基于联网收费数据进行交通状态的估计,数据具有成本低、全路网覆盖、全天候工作和数据质量高等优势,可以成为现有路网交通流监测的有效手段和有益的补充。通过本发明提供的技术方案,短期来看,路网交通流估计能够帮助用户了解道路交通状况,方便用于合理选择出行时间和出行路线,同时能够协助运营人员实时地对车辆及指示信号进行安排调度;从长期来看,高速公路管理人员可以低成本,高效率的获知当前高速路网的交通流状况,并以此作为管理决策的合理依据,有助于管理者更加合理的规划与设计道路交通基础建设。
附图说明
图1是本发明提供方法的整体流程图。
图2是本发明的历史交通流估计的流程框图。
图3是本发明的路网车辆OD分配模式提取方法的流程框图。
图4是本发明的实时交通流估计方法的流程框图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种基于高速公路联网收费数据的交通流估计方法,图1是本发明提供方法的整体流程图,该方法基于历史高速公路联网收费数据,首先估计得到历史上不同时段路网上各个路段的交通流;然后取当前路网上所有已经驶离高速路网车辆收费数据,分析在过去若干时间段内路网各个进口交通流的分配模式;再基于当前所有在途车辆的进入路网入口位置和时间,完成高速路网实时交通流的估计,具体包括如下步骤:
1)估计得到历史交通流信息
收费数据包含车辆进出路网的完整记录,内容包含了车辆进入、离开路网的时间和站点、车牌、车型等重要信息。简单地来说,假设所有车辆在路网中匀速行驶,所有车辆选择起点到终点的最短路径行驶。已知车辆进入、离开路网的站点和时间,可以推算出车辆的速度以及任意时刻车辆在路网中的位置,即所处的路段。进一步可以统计出各个路段的流量和平均速度。如此一来,便可以由路口进出车辆的收费数据复现道路运行状况。
图2是本发明的历史交通流估计图。历史交通流估计方法的基本流程包括如下过程:
11)取一条OD记录,根据其起点和终点编号,基于路网拓扑结构计算在路网中由多个路段组成的最短路径,即{Section1,Section2,…Sectionn};
12)根据其起点终点时间以及匀速行驶的假设,计算车辆进入各个路段的时刻,记作{t1,t2,…tn},则流量Flow(Sectioni,ti)增加1,速度Speed(Sectioni,ti)的统计样本量增加1;
13)计算各个时段(通常以15分钟或1小时为单位)车辆所处的路段,避免步骤12)中有遗漏的路段、时刻的组合(例如,当车辆在一个路段中行驶时间小于给定时段时,如小于15分钟或1小时,步骤2会有遗漏的路段、时刻的组合),将遗漏的路段、时刻的流量加1,速度样本加1;
14)如果所有记录计算完毕,执行步骤15),否则回到步骤11);
15)用样本平均值作为Speed(Sectioni,ti),得到最终的速度和流量。
通过上述方法,可以估计得出路网中各时空点上的历史交通流状态,包括车流量、车速等信息。
2)提取得到路网车辆OD分配模式
在交通状态实时估计的情形下,路网中的在途车辆信息仅包含入口站点、时间等,并不包含出口站点位置、出口时间等重要信息,路网中的在途车辆路径和位置无法得知,因此需要利用数据挖掘方法,研究得到车辆在路网上的OD分配模式。
在某时间段内由同一入口站点进入路网的车辆,其对应的出口分配比例保持相对稳定,每一时段的分配比例情况都一定程度上反映了在未来时段内的分布情况。这一规律在整个高速公路路网的收费数据中得到很好的验证。因此,路网中的在途车辆,其出口站点的分布可由较前的时间段内由其入口进入路网而目前已离开路网的车辆的收费数据综合计算推测。
设定VOD为一个OD对在给定时段内的流量;Vo为一个OD对的O在给定时段内的流入量,其中有VD为一个OD对的D在给定时段内的流出量,其中有COD为在一定时段内,OD的流量占O流量的比例,其中有COD=VOD/Vo;根据收费数据对应的OD矩阵,得到上述四个量:VOD、Vo、VD和COD。
图3是本发明的路网车辆OD分配模式提取方法的流程框图,分配模式提取的基本流程包括:
21)构造T*P的矩阵V,其中P为OD对个数,T为时间间隔。V的每一列i表示OD对i在时序上的流量变化;V的每一行j表示了在j时段内全路网OD流量变化;
22)基于矩阵V,构造一个COD序列,首先取得COD的分布区间[min(COD),max(COD)]之后将该区间10等分,然后统计处于不同区间的COD的个数,作为ai值来进行计算;
23)在所有COD模式中,获得最频繁的、最能代表某入口在某时段流量分配比例的模式,作为COD稳定模式;用熵对COD稳定模式(即在所有COD模式中,最频繁的最能代表某入口在某时段流量分配比例的模式)进行度量:信息熵越大,分配模式越不稳定;信息熵越小,说明分配模式越稳定,预测价值越高;根据熵的定义,收集t时段一个O相对于D的贡献率COD在n天的取值,信息熵的定义为:
H(i)=log(s)-(1/s)∑i ai log(ai) (式1)
其中,H(i)为COD稳定模式的信息熵;ai为某一COD值在这n天中出现的次数,s是不同的COD值的个数。
COD的经验概率分布为P(i)=ai/s。
3)估计得到实时交通流信息
高速公路路网OD分配的稳定性模式可以用于推测在途车辆可能的出口位置分布。另一方面,通过对已驶离路网车辆的收费数据记录进行历史反演,我们能够得到在过去时间段内各原子路段上交通流的通行量与通行速度。在这一基础上,我们能够根据在途车辆的入口记录中的入口站点信息与入口时间信息,推测实时情况下车辆在路网中位置的时空分布,而将经由各站点进入路网的在途车辆分布进行综合,便可得到整个高速公路路网整体的车流分布特征,这一过程即为实时交通流估计。
图4是本发明的实时交通流估计方法的流程框图,实时交通流估计过程的步骤如下:
31)使用历史交通流估计方法对当前时段[Tbegin,Tend]之前的n个时间段([T0,T1],[T1,T2],...,[Tn-1,Tn])(通常以15分钟为时间单位)进行历史交通流估计,得到路网中任意原子路段在n个连续时段内的车辆通行速{Vsec,0,Vsec,1,...,Vsec,n-1};
32)运用高速公路网入口交通流分配模式提取方法对该n个连续时间段内路网车辆的OD分配比例进行统计,得到任意站点Si到任意其他站点Sj的车辆分配比例Ci,j;
33)统计当前时段[Tbegin,Tend]以及前n个时段内任意站点Si入口车辆数目{INi0,INi1,...,INin};
34)对任意站点Si,得到其分配比例序列,记为{Si1,Si2,...,Sim},根据该比例分配入口车辆数目序列{INi1,INi2,...,INin}至OD间最短路径上;
35)对所有上述OD对Si和Sj,取其最短路径{Sectioni,j,1,Sectioni,j,2,…Sectioni,j,l},根据路径各时段速度与在提取OD模式中得到的每个入口进入的车辆前往各个出口的比例分配概率Pi,j(即在提取OD模式中得到的每个入口进入的车辆前往各个出口的比例),计算当前时段[Tbegin,Tend]内{INi1,INi2,...,INin}分配到该路径上的对应位置;
36)对各路段Seci计算各站点在时间区间[Tbegin,Tend]内能够到达该路段的车辆总数实现对各个路段实时的交通流估计值,包括速度和流量。
本发明一实施例针对某省内高速公路,将高速路网拓扑结构与网络中历史的和当前的交通流状况相结合,通过本发明提供的基于高速公路联网收费数据的交通流估计方法,提出一套能够反映进出口和路段状态的交通流估计数据。该省经过多年经济建设,省内高速公路总里程剧增,网状结构愈发复杂。对于高速公路管理人员,管理效率的提高变得至关重要。过去简单的人工统计和报表已经不足以反映全省高速公路运营情况。现采用基于高速公路联网收费数据的交通流估计方法,获得高速路网的进出口和路段状态的交通流估计。
首先,管理人员利用原有的数据上报体系,采集并存储各进出口各时段的收费数据,该数据应该包含车牌信息,进口站点,出口站点,进入时间,驶出时间等信息。按照如下步骤,对交通流进行估计,得到各路段的实时交通流估计值:
步骤一:提取当前时段n个时段之前的收费数据,根据每条数据的车辆进口、出口信息,计算该车在路网中行驶的最短路径;
步骤二:根据平均速度假设,计算车辆进入各个路段的时刻;
步骤三:计算所有数据,根据不同时刻,针对各路段叠进入该路段的车辆数,得到对应时刻的历史流量,再根据进出口时间,计算样本速度均值,得到历史速度;
步骤四:构造OD分配矩阵,根据信息熵定义选择稳定的OD分布,记作历史入口OD分配模式;
步骤五:统计当前时段所有入口站点车辆数,根据OD分配模式得到任意站点的分配序列;
步骤六:按照入口分配序列,将入口车辆分配到最短路径上;
步骤七:根据历史数据,计算该时段的路径速度,并计算车辆在该时段进入的路段;
步骤八:对各路段计算当前时段到达车辆总数,得到各路段的实时交通流估计值,包括流量和速度;
上述过程具体运用历史交通流估计方法对当前时间之前的n个时间段进行历史交通流估计,得到路网中任意原子路段在n个连续时段内的车辆通行速度,并计算前n个时段内任意各个站点的分配模式。根据当前每个入口站点的流量值,计算得到分配到各个出口站点的车流量,并计算其相应的最短路径,进而计算每辆车在当前时段和相应路径上速度和位置,从而实现路网交通流的在线估计。通过本发明提供的技术方案,高速公路管理人员可以低成本,高效率的获知当前高速路网的交通流状况,并以此作为管理决策的合理依据。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (4)
1.一种基于高速公路联网收费数据的交通流估计方法,所述方法基于历史高速公路联网收费数据,获取联网高速公路的历史OD记录作为数据样本,通过估计历史交通流、获取路网车辆OD分配模式和估计实时交通流来获得高速路网实时交通流信息,具体包括如下步骤:
1)基于历史高速公路联网收费数据,通过高速公路网历史交通流估计方法得到历史上不同时段路网上各个路段的交通流;
2)根据当前路网上所有已经驶离高速路网车辆收费数据,通过高速公路网入口交通流分配模式提取方法,获得在过去若干时间段内路网各个进口交通流的分配模式;
3)基于当前所有在途车辆的进入路网的入口位置和时间,通过高速公路网实时交通流估计方法,获得高速路网实时交通流信息。
2.如权利要求1所述基于高速公路联网收费数据的交通流估计方法,其特征是,步骤1)所述高速公路网历史交通流估计方法具体包括如下步骤:
11)针对每条历史OD记录,计算该历史OD记录对应的最短路径和行驶时间;
12)针对每条历史OD记录,根据匀速行驶的基本假设计算车辆进入各个路段的时刻,并更新速度的统计样本量和流量值;
13)针对每条历史OD记录,计算各个时段车辆所处的路段;
14)针对所有历史OD记录均执行步骤11)~14),得到样本中每一条历史OD记录对应的最短路径、行驶时间和在各个时段车辆所处的路段;
15)用样本平均值计算得到所述最短路径的车辆速度和流量,得到路网中各时空点上的历史交通流状态。
3.如权利要求1所述基于高速公路联网收费数据的交通流估计方法,其特征是,步骤2)所述高速公路网入口交通流分配模式提取方法具体包括如下步骤:
21)构造T*P的矩阵V,其中P为OD对个数,T为时间间隔;V的每一列i表示OD对i在时序上的流量变化;V的每一行j表示了在j时段内全路网OD流量变化;
22)将t时段一个O相对于D的贡献率记作COD;基于矩阵V,构造一个COD序列,首先取得COD的分布区间[min(COD),max(COD)];之后将该区间10等分,然后统计得到处于不同区间的COD的个数,即某一COD值出现的次数,作为ai值;
23)收集t时段一个O相对于D的贡献率COD在n天的取值,用信息熵对COD稳定模式进行度量,获得最频繁的、最能代表某入口在某时段流量分配比例的模式,作为COD稳定模式;所述信息熵通过如下公式计算得到:
H(i)=log(s)-(1/s)∑iailog(ai) (式1)
式1中,H(i)为COD稳定模式的信息熵;ai为某一COD值在这n天中出现的次数;s是不同的COD值的个数。
4.如权利要求1所述基于高速公路联网收费数据的交通流估计方法,其特征是,步骤3)所述高速公路网实时交通流估计方法具体包括如下步骤:
31)使用历史交通流估计方法,对当前时段之前的n个时间段进行历史交通流估计,得到路网中任意原子路段在n个连续时段内的车辆通行速;
32)运用高速公路网入口交通流分配模式提取方法,对该n个连续时间段内路网车辆的OD分配比例进行统计,得到任意站点Si到任意其他站点Sj的车辆分配比例Ci,j;
33)统计当前时段以及前n个时段内任意站点Si的入口车辆数目;
34)对任意站点Si,得到分配比例序列,根据该比例分配入口车辆数目序列至OD间最短路径上;
35)对所有上述OD对Si和Sj,取其最短路径,根据该路径各时段速度与分配概率Pj,j,计算当前时段内,入口车辆数目序列分配到该路径上的对应位置;
36)对各路段计算得到各站点在当前时段内能够到达该路段的车辆总数,实现对各个路段实时的交通流估计值,包括速度和流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510404678.0A CN106327864A (zh) | 2015-07-10 | 2015-07-10 | 一种基于高速公路联网收费数据的交通流估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510404678.0A CN106327864A (zh) | 2015-07-10 | 2015-07-10 | 一种基于高速公路联网收费数据的交通流估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106327864A true CN106327864A (zh) | 2017-01-11 |
Family
ID=57726155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510404678.0A Pending CN106327864A (zh) | 2015-07-10 | 2015-07-10 | 一种基于高速公路联网收费数据的交通流估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106327864A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798877A (zh) * | 2017-11-22 | 2018-03-13 | 北京云星宇交通科技股份有限公司 | 一种基于高速公路收费数据对交通量进行预测的方法及系统 |
CN108682147A (zh) * | 2018-05-03 | 2018-10-19 | 广东省高速公路营运管理协会 | 一种高速公路交通拥堵疏导决策方法 |
CN108877222A (zh) * | 2018-07-11 | 2018-11-23 | 贵州交通信息与应急指挥中心 | 一种高速路网指定地点精准找车方法 |
CN109389243A (zh) * | 2018-09-06 | 2019-02-26 | 华南理工大学 | 结合联网收费数据的高速公路交通情况调查站点布设方法 |
CN110223524A (zh) * | 2019-05-16 | 2019-09-10 | 交通运输部规划研究院 | 高速公路虚拟交通调查站检测交通信息的方法、装置及终端 |
CN110299011A (zh) * | 2019-07-26 | 2019-10-01 | 长安大学 | 一种基于收费数据的高速公路任意断面的交通流预测方法 |
CN110444010A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测方法 |
CN110444009A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测系统 |
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 |
CN113096413A (zh) * | 2021-03-23 | 2021-07-09 | 北京交通大学 | 基于高速公路收费数据的省际出行流量估算方法 |
CN113345252A (zh) * | 2021-06-08 | 2021-09-03 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002008922A1 (en) * | 2000-07-21 | 2002-01-31 | Trafficcast.Com, Inc. | A method of providing travel time predictions |
CN103700264A (zh) * | 2013-12-09 | 2014-04-02 | 北京工业大学 | 基于etc收费数据的高速公路路段行程速度计算方法 |
CN103870890A (zh) * | 2014-03-19 | 2014-06-18 | 四川大学 | 高速公路网交通流量分布的预测方法 |
-
2015
- 2015-07-10 CN CN201510404678.0A patent/CN106327864A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002008922A1 (en) * | 2000-07-21 | 2002-01-31 | Trafficcast.Com, Inc. | A method of providing travel time predictions |
CN103700264A (zh) * | 2013-12-09 | 2014-04-02 | 北京工业大学 | 基于etc收费数据的高速公路路段行程速度计算方法 |
CN103870890A (zh) * | 2014-03-19 | 2014-06-18 | 四川大学 | 高速公路网交通流量分布的预测方法 |
Non-Patent Citations (2)
Title |
---|
张平,等: "《基于OD稳定模式的高速公路出口流量预测方法研究》", 《交通运输系统工程与信息》 * |
郝光: "《动态OD矩阵推算模型及算法研究》", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798877A (zh) * | 2017-11-22 | 2018-03-13 | 北京云星宇交通科技股份有限公司 | 一种基于高速公路收费数据对交通量进行预测的方法及系统 |
CN110444010A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测方法 |
CN110444010B (zh) * | 2018-05-02 | 2022-01-21 | 广州智丰设计研发有限公司 | 一种基于物联网的高速路车流预测方法 |
CN110444009A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测系统 |
CN108682147A (zh) * | 2018-05-03 | 2018-10-19 | 广东省高速公路营运管理协会 | 一种高速公路交通拥堵疏导决策方法 |
CN108877222A (zh) * | 2018-07-11 | 2018-11-23 | 贵州交通信息与应急指挥中心 | 一种高速路网指定地点精准找车方法 |
CN109389243A (zh) * | 2018-09-06 | 2019-02-26 | 华南理工大学 | 结合联网收费数据的高速公路交通情况调查站点布设方法 |
CN110223524B (zh) * | 2019-05-16 | 2021-01-15 | 交通运输部规划研究院 | 高速公路虚拟交通调查站检测交通信息的方法、装置及终端 |
CN110223524A (zh) * | 2019-05-16 | 2019-09-10 | 交通运输部规划研究院 | 高速公路虚拟交通调查站检测交通信息的方法、装置及终端 |
CN110299011A (zh) * | 2019-07-26 | 2019-10-01 | 长安大学 | 一种基于收费数据的高速公路任意断面的交通流预测方法 |
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 |
CN113096413A (zh) * | 2021-03-23 | 2021-07-09 | 北京交通大学 | 基于高速公路收费数据的省际出行流量估算方法 |
CN113345252A (zh) * | 2021-06-08 | 2021-09-03 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
CN113345252B (zh) * | 2021-06-08 | 2022-07-22 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
CN104751642B (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN104715610B (zh) | 一种面向城市交通的交通指数计算方法 | |
CN104464295B (zh) | 一种基于视频的高架入口匝道智能限行方法 | |
CN104240499B (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
CN104732075B (zh) | 一种城市道路交通事故风险实时预测方法 | |
CN105405293B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
Qiu et al. | Estimation of freeway traffic density with loop detector and probe vehicle data | |
CN107134142A (zh) | 一种基于多源数据融合的城市道路流量预测方法 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
CN107180270A (zh) | 客流预测方法及系统 | |
CN103440764A (zh) | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN103985250A (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
CN102930735A (zh) | 一种基于交通视频的城市实时交通路况信息发布方法 | |
CN104809879A (zh) | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 | |
CN113593220B (zh) | 一种基于宏观基本图的路网承载力估计方法 | |
CN102521965A (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN102930718A (zh) | 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法 | |
Lu et al. | Estimating traffic speed with single inductive loop event data | |
Yao et al. | Sampled trajectory data-driven method of cycle-based volume estimation for signalized intersections by hybridizing shockwave theory and probability distribution | |
CN101551940A (zh) | 城市快速道路交通状态判别与发布系统及其方法 | |
CN104464294A (zh) | 一种基于阵列雷达的路段交通状态评价方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170111 |