CN106355882A - 一种基于路中检测器的交通状态估计方法 - Google Patents
一种基于路中检测器的交通状态估计方法 Download PDFInfo
- Publication number
- CN106355882A CN106355882A CN201610905754.0A CN201610905754A CN106355882A CN 106355882 A CN106355882 A CN 106355882A CN 201610905754 A CN201610905754 A CN 201610905754A CN 106355882 A CN106355882 A CN 106355882A
- Authority
- CN
- China
- Prior art keywords
- traffic
- detector
- traffic state
- traffic behavior
- data
- 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.)
- Granted
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于路中检测器的交通状态估计方法,包括下列步骤:获取路中检测器的历史集计数据以及对应的环境变量数据和交通状态数据;生成每组环境变量数据下的占有率‑车辆数‑交通状态二维图,并对其进行分析;对所有组环境变量数据下的占有率‑车辆数‑交通状态二维图,拟合交通状态分界曲线,并提取交通状态分界曲线的系数xi;利用多元线性回归拟合出交通状态分界曲线与环境变量数据的函数关系,并对新一组环境变量数据下的交通状态分界曲线的参数进行预测;获取路中检测器的实时检测数据,重复上述步骤实时估计交通状态。与现有技术相比,本发明具有适用范围广、估计准确、充分考虑环境因素以及可以不断进行优化更新等优点。
Description
技术领域
本发明涉及交通信息领域,尤其是涉及一种基于路中检测器的交通状态估计方法。
背景技术
城市道路交通状态的准确估计是交通控制与管理的基础。随着我国交通信息化的发展,各类交通检测技术与设备已被广泛应用于城市道路交通状态的估计与预测。常用的城市道路交通检测技术可分为定点检测技术和移动检测技术。其中,定点检测器主要包括感应线圈、地磁、微波雷达、红外线、超声波等,可以以一定的时间间隔(通常为20~60s)采集断面流量、速度和占有率等数据;移动检测器主要包括出租车浮动车、自动车辆识别(AVI)设备、车载或者手机导航等,可通过车辆行驶轨迹和路径信息,直接采集个体车辆的路径行程时间等。国内外学者针对基于定点和移动检测数据的城市道路交通状态估计已开展了大量的研究,采用的数据源几乎涉及上述所有种类的检测数据。
在我国大部分的中小城市,出租车浮动车的覆盖率小且上传频率较低(通常为30~60s),难以用于城市道路交通状态的估计;AVI的布设密度有限且受到车辆捕获率和匹配成功率的影响,交通状态估计的可靠性较差;车载导航数据虽然覆盖率和精度都可以满足要求,但是一般需要政府向高德、百度等运营商购买服务,经济成本较高。
在上述背景下,布设密度较高的定点检测器则具有一定的差位优势,用以进行城市道路交通状态估计是较为经济实用的方法。
定点检测器在我国城市道路实际工程应用中,主要有三种典型的布设位置,如图1所示:(a)下游检测器:布设在路段下游接近停车线位置,主要用于信号控制方案的计算和优化;(b)路中检测器:布设在路段中间位置,主要用于路段交通状态参数的检测;(c)上游检测器,布设在路段上游靠近出口道的位置,主要用于交叉口的溢出检测与信号控制。下游检测器距离交叉口过近,受到交叉口信号控制影响大,且由于其自身接入信号控制机的特点,存在通信传输和时间匹配等问题,在实际工程中往往只用于信号控制而不用于交通状态估计;上游检测器一般布设在短间距交叉口用于溢出检测,覆盖率低,难以用于交通状态估计;相比之下,路中定点检测器则具有覆盖率高、受交叉口信号控制影响小、稳定可靠等优点,在实际工程中经常被直接用于城市道路交通状态的估计。
总结基于路中检测器的交通状态估计方法,目前主要存在以下问题:
(1)一部分方法主要利用模糊逻辑、神经网络等人工智能算法对交通状态划分等级或建立评价体系以进行交通状态估计,难以适用于直接通过行程速度阈值来确定交通状态的应用场景(我国大部分中小城市目前的应用现状)。
(2)一部分方法通过检测器获取的断面行程速度,按照一定的阈值范围直接对应交通状态,而未充分考虑下游信号控制交叉口周期、绿信比、检测器布设位置等因素的影响。
发明内容
本发明的目的是针对上述问题提供一种基于路中检测器的交通状态估计方法。
本发明的目的可以通过以下技术方案来实现:
一种基于路中检测器的交通状态估计方法,所述方法包括下列步骤:
1)获取路中检测器的历史集计数据以及对应的环境变量数据和交通状态数据;
2)根据得到的历史集计数据、对应的环境变量数据和交通状态数据,生成每组环境变量数据下的占有率-车辆数-交通状态二维图,并对其进行分析;
3)对步骤2)生成的所有组环境变量数据下的占有率-车辆数-交通状态二维图,拟合交通状态分界曲线,并提取交通状态分界曲线的系数xi;
4)根据步骤3)提取的交通状态分界曲线的系数xi,利用多元线性回归拟合出交通状态分界曲线与环境变量数据的函数关系,并对新一组环境变量数据下的交通状态分界曲线的参数进行预测;
5)获取路中检测器的实时检测数据,重复步骤1)至步骤4),实时估计交通状态。
所述历史集计数据包括5min内的道路占有率和车辆流量;所述环境变量数据包括下游交叉口信控周期C、绿信比λ和路中检测器位置S。
所述占有率-车辆数-交通状态二维图具体为:点的位置代表路中检测器的历史集计数据,点的颜色代表对应时间段的交通状态。
所述对占有率-车辆数-交通状态二维图进行分析具体为:分析占有率-车辆数-交通状态二维图中不同交通状态对应的数据点,按照位置对其进行划分。
所述步骤3)具体为:
31)根据交通状态对占有率-车辆数-交通状态二维图划分出边界曲线;
32)针对每种交通状态选取边界拟合点;
33)根据实际情况排除异常点,进行边界拟合;
34)根据拟合的结果确定每条拟合曲线的最优线型,同时确定每条拟合曲线的边界点;
35)根据每条拟合曲线的边界点的端点所确定的占有率作为曲线外区域不同交通状态的分界线,得到交通状态分界曲线;
36)提取每组环境变量数据及与其对应的交通状态分界曲线的系数xi。
所述选取边界拟合点具体为:针对每种交通状态,在纵轴方向上从最低点开始以5为区间长度选取边界拟合点,在边界曲线顶部时以3为区间长度选取边界拟合点,所述边界拟合点包括边界曲线左右两个区间的边界点。
所述交通状态分界曲线与环境变量数据的函数关系具体为:
其中,F表示多元线性回归函数,C表示下游交叉口信控周期,λ表示绿信比,S表示检测器位置,fi0为常数项,fi1、fi2和fi3分别为下游交叉口信控周期、绿信比和检测器位置的系数。
与现有技术相比,本发明具有以下有益效果:
(1)基于路中检测器进行检测,适应我国中小城市交通信息采集与服务的技术现状。
(2)考虑了环境变量因素,充分考虑下游信号控制交叉口周期、绿信比和检测器布设位置等因素的影响,充分结合实际,增强了交通状态估计的准确性。
(3)首先通过历史集计数据进行交通状态的估计,可以通过历史数据的不断积累而更新数据库并优化相关参数,进一步提高交通状态估计的准确性。
(4)利用曲线拟合进行交通状态的估计,计算方法简单,便于实现,进一步扩大了本方法的适用范围。
(5)进行曲线拟合过程中,根据实际情况排除异常点,避免了异常点对拟合的曲线造成的误差,提高了交通状态估计的准确性。
(6)根据每条拟合曲线的边界点的端点所确定的占有率作为曲线外区域不同交通状态的分界线,避免了实际应用过程中,数据点有可能在拟合曲线范围外的情况,进一步提高了交通状态估计的准确性。
附图说明
图1为我国城市道路定点检测器典型布设方式图;
图2为占有率-车辆数-交通状态二维示意图;
图3为边界曲线示意图;
图4为交通状态分界曲线示意图;
图5为交叉口仿真模型图;
图6为交通状态分界曲线的结果图;
图7为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供了一种基于路中检测器的交通状态估计方法,利用曲线拟合的数理统计方法,基于路中检测器在不同环境变量下的大量历史数据(即为上传的长时间段的5min集计数据集),开发出了一种道路状态估计方法。本发明包含两个子算法,分别是基于交通状态的分界曲线确定方法和新环境变量组合的分界线预测方法。本发明原理是在确定环境变量组合(周期C、绿信比λ、检测器位置S)下由大量历史数据形成的占有率-流量-交通状态二维图进行分界曲线的拟合与建立,然后利用多组环境变量组合下的分界曲线系数拟合出其与环境变量的函数关系,并用其估计一般条件下的交通状态。
如图7所示,该方法包括以下步骤:
1)获取路中检测器的历史集计数据以及对应的环境变量数据和交通状态数据:
11)提取目标路段路中检测器的大量历史数据(5min集计数据,包括占有率与流量);
12)提取上述检测器5min集计数据所对应的环境变量数据(下游交叉口信控周期C、绿信比λ、路中检测器位置S(检测器距离下游停车线距离))和交通状态数据(基于对应5min下的路段平均行程速度,设定状态1代表通畅(>22km/h),状态2代表拥挤(16~22km/h),状态3代表拥堵(<16km/h));
2)根据得到的历史集计数据、对应的环境变量数据和交通状态数据,生成每种环境变量组合下的占有率-车辆数-交通状态二维图,并对其进行分析:
21)生成二维图:根据大量历史数据,得到每种环境组合下的占有率-车辆数-交通状态二维图,示意图如图2所示,其中,每个点的位置代表路中检测器记录的5min集计数据,点的颜色代表对应时间段的交通状态(左、中、右三部分颜色点分别代表交通状态1畅通、2拥挤、3拥堵);
22)分析二维图:从图中可以看出,不同交通状态对应的数据点相对集中,相互之间有较为明显的位置区分,如畅通状态下的数据点集中在较低占有率的位置,而拥堵状态下的数据点所对应的占有率较高,符合实际交通情况;
3)对步骤2)生成的所有环境变量组合下的占有率-车辆数-交通状态二维图,拟合交通状态分界曲线,并提取交通状态分界曲线的系数xi:
31)根据交通状态划分较为明显的4条边界曲线,如图3所示,边界曲线I、II、III和IV别代表状态1、2和3的外围或中间边界;
32)针对每种交通状态,在纵轴方向(流量),从最低流量开始以5为区间长度选取每区间的曲线边界拟合点(当接近曲线顶部时以3为区间长度选取边界点),值得注意的是用于拟合曲线II的点包括状态1的右边界点和状态2的左边界点,同理拟合曲线III;
33)在拟合过程中,根据实际情况调整拟合点以防止异常点干扰;
34)综合评判各线型的优劣以选取合适线型;同时,确定各曲线的取值范围。根据综合分析,本实施例中,确定曲线I、II、III的最优线型为二次函数线型,曲线IV的最优线型为一次函数线型,各边界曲线的函数表达式如下列公式所示:
其中,Vol(veh/5min)表示每5min的流量、Occ(%)表示实际占有率,ai、bi、ci分别代表二次项系数、一次项系数和常数项;
VolΙ=a1Occ2+b1Occ+c1
VolΙΙ=a2Occ2+b2Occ+c2
VolΙΙΙ=a3Occ2+b3Occ+c3
VolΙV=b4Occ+c4
35)其中,A点为曲线I和曲线II点的右交点;C为曲线II和曲线III的右交点;B点为曲线II定义域左端点,取交通状态2数据点的最小占有率值;D点为曲线III定义域左端点,取交通状态3数据点的最小占有率值;
36)在实际应用过程中,已有的历史大量数据不可能包含所有的数据点,有可能有数据点在已有曲线I、II、III和IV的范围之外,解决的方法是根据不同边界曲线的端点所确定的占有率作为曲线外区域不同交通状态的分界线,如图4所示。分界线I和分界线II分别是交通状态1和2、2和3的分界线;
37)提取所有的环境变量(C、λ、S)组合数据及其对应的分界曲线I和分界线II的各系数xi;
4)根据步骤3)提取的交通状态分界曲线的系数xi,利用多元线性回归拟合出交通状态分界曲线与环境变量的函数关系,并对新的环境变量组合下的交通状态分界曲线的参数进行预测:
41)对所有的环境变量(C、λ、S)组合进行分界曲线拟合,则能得到各分界曲线各系数xi与环境变量组合(C、λ、S)的数据组,从而可以利用多元线性回归拟合出各系数xi与周期占有率λ、检测器位置这三个环境变量的函数关系,如下述公式所示:
其中:xi代表第i条边界曲线的系数x,F表示多元线性回归函数,C表示下游交叉口信控周期,λ表示绿信比,S表示检测器位置,fi0为常数项,fi1、fi2和fi3分别为下游交叉口信控周期、绿信比和检测器位置的系数;
42)得到所有系数xi的拟合结果,可用于新环境变量组合下的边界曲线系数预测;
5)获取路中检测器的实时检测数据,重复步骤1)至步骤4),实时估计交通状态。
实施例1
基于仿真环境对上述方法进行验证,主要包括包括如下步骤:
第一步:场景选取与搭建
本实施例主要基于仿真环境进行方法建立与验证,并用实证数据加以验证。这是因为在现实环境中,交叉口相关的环境变量(下游交叉口信控周期C、绿信比λ、路中检测器位置S(检测器距离下游停车线距离))组合较为单一且上游路段的流量变化有限,短期内难以达到实例所需的样本量;而在仿真环境中,能够设置不同的环境变量组合和上游路段流量输入值,有效地解决了实证数据的局限,极大地提高了效率。同时,用实证数据加以验证,也证明了本方法的有效性。
选取安徽省合肥市黄山路-科学大道西进口道及其上游路段作为对象,该路段为城市主干道,符合本发明的典型场景,布设有路中检测器。根据现实道路利用VISSIM微观仿真软件,建立如图5所示的交叉口仿真模型,以路段中间的直行车道作为验证区域,在交叉口上游路段C处设置路中检测器作为数据来源;同时以该进口道上游A处与下游进口道B处之间作为行程时间检测区域,布设行程时间检测器以检测该区域的平均行程时间。本验证过程设置不同的环境变量(C、λ、S)取值如表1所示,分别为8种、5种、3种,每个环境变量的取值范围均能覆盖绝大部分实际交通状况。对不同的环境变量(C、λ、S)组合分别进行仿真实验,共有120组(8*5*3=120)实验,每组仿真时长共计8000min,即每组有1600条数据。
表1环境变量(C、λ、S)取值表
参数 | 数值 |
绿信比λ | 0.2、0.3、0.33、0.36、0.39、0.42、0.5、0.6 |
周期C(s) | 60、90、120、150、180 |
检测器位置S(m) | 200、250、300 |
第二步:数据采集
对于上述120组仿真实验中的每一种环境变量(C、λ、S)组合,提取路中检测器与相对应的行程时间检测器的5min集计数据。具体方法为将VISSIM软件连接数据库,输出*.sdf文件,包括路中检测器的5min流量(veh/5min),5min占有时间(s/5min)以及5min的路段平均行程时间(s)。
将上述数据库数据进一步处理为每5min的流量Vol(veh/5min)、实际占有率Occ(%)、对应的区间(图4中A、B检测器之间)行程速度v(km/h)及其对应的交通状态。最终得到实例所需数据,数据记录形式如表2,其中位置代表路中检测器距离停车线的距离。
表2仿真数据记录表
编号 | S(m) | Vol(veh/5min) | Occ(%) | v(km/h) | 交通状态 |
1 | 300 | 90 | 10.06 | 7.01 | 3(拥堵) |
2 | 250 | 11 | 1.11 | 31.18 | 1(畅通) |
3 | 200 | 12 | 1.15 | 29.19 | 1(畅通) |
… | … | … | … | … | … |
第三步:交通状态分界曲线拟合方法验证
采用MATLAB环境进行编程,根据子算法I方法可以得到所有环境变量(C、λ、S)组合下的分界结果。
以其中一组环境变量(C、λ、S)组合(周期为60s、绿信比为0.36、检测器位置为1)为例,拟合效果如图6所示,可以看出各曲线对各交通状态边界点的拟合效果均较好,R2均能达到80%以上,能够有效区分出不同的交通状态。
对本子算法进行验证,验证方法为随机选取不同环境变量组合下所有数据(1600条)中的75%数据(1200条)进行曲线拟合,剩下的25%数据(400条)用于验证分析,即利用本方法,输入检测器的占有率和流量数据得出交通状态,将其与实际交通状态进行对比。选取检测器位置S=300m时的所有周期C与绿信比λ组合进行综合正确率验证,即对每种组合均随机选取75%的数据进行拟合并验证剩下的25%数据。具体结果如表3所示,得出正确率为81.30%,严重错误率为1.98%;同时,不同实际交通状态下利用本子算法估计出的交通状态正确率没有明显差异,均接近81%。
表3验证结果
注:
估计量,表示实际交通状态为i而根据本算法估计出的交通状态为j的样本个数;
正确,表示根据本算法估计出的交通状态与实际交通状态相同;
严重错误,表示本算法估计交通状态与实际交通状态相差两个交通状态的情况,如:本算法估计交通状态为1而实际交通状态为3。
第四步:新环境变量组合的分界线参数预测方法验证
根据子算法I,得出所有系数xi拟合结果如表4所示:
表4多元线性回归结果表
实施例2
采用实证数据对预测方法进行验证。
选取青岛市福州南路三个路段为验证对象,选取2015年11月03日早高峰为验证时间段,采集相关实证数据,包括定点微波检测器数据、视频数据和信控配时、检测器布设数据。视频数据用于获得该路段某5min集计时间段内的路段平均车辆速度v(km/h)以确定交通状态,具体方法为通过视频采集该5min中路段所有车辆的路段行程时间,并计算出平均速度;定点微波检测器数据可获得对应路段与集计时间段的流量Vol(veh/5min)和实际占有率Occ(%);信控配时、检测器布设数据可获得对应路段与集计时间段的环境变量C(s)、λ和S(m)。实证数据具体参数如表5所示。
用上述实证数据对方法进行验证,对于每组验证样本,根据表4和环境变量预测出对应路段和集计时间段的分界曲线并得到估计交通状态,并与实际交通状态对比,验证样本量为48,验证结果如表6所示,可以得出总体正确率约为75.00%,且严重错误率约为2.1%。同时,不同实际交通状态下利用本方法估计出的交通状态正确率有一定差异,其中在拥挤状态下的估计正确率最高,达到80%以上;而拥堵状态下的估计正确率最低,约为70%左右。
通过实证数据的验证,本子算法的总体正确率不很高且不同交通状态下的估计正确率有一定差异的主要原因有三个:
(1)实证数据存在一定的检测误差。微波检测器在车型较为单一、车速一致性高、车流量不高的路段上检测精度较高,而在交通拥堵的情况下因车辆间遮挡、开普勒效应等因素,检测精度会下降。
(2)系数拟合过程存在误差。因为在确定环境变量下的分界曲线系数进行拟合的过程中必然存在着一定的拟合误差,再基于这些系数数据对新环境变量下的分界线进行预测时,必然存在一定的误差。
(3)单个路中检测器的信息量存在限制。因为本发明未加入其他数据源,所使用的数据仅局限于其单个路中检测器的检测数据,存在一定的信息量限制。
表5实证数据相关参数
表6实证数据验证结果
Claims (7)
1.一种基于路中检测器的交通状态估计方法,其特征在于,所述方法包括下列步骤:
1)获取路中检测器的历史集计数据以及对应的环境变量数据和交通状态数据;
2)根据得到的历史集计数据、对应的环境变量数据和交通状态数据,生成每组环境变量数据下的占有率-车辆数-交通状态二维图,并对其进行分析;
3)对步骤2)生成的所有组环境变量数据下的占有率-车辆数-交通状态二维图,拟合交通状态分界曲线,并提取交通状态分界曲线的系数xi;
4)根据步骤3)提取的交通状态分界曲线的系数xi,利用多元线性回归拟合出交通状态分界曲线与环境变量数据的函数关系,并对新一组环境变量数据下的交通状态分界曲线的参数进行预测;
5)获取路中检测器的实时检测数据,重复步骤1)至步骤4),实时估计交通状态。
2.根据权利要求1所述的基于路中检测器的交通状态估计方法,其特征在于,所述历史集计数据包括5min内的道路占有率和车辆流量;所述环境变量数据包括下游交叉口信控周期C、绿信比λ和路中检测器位置S。
3.根据权利要求1所述的基于路中检测器的交通状态估计方法,其特征在于,所述占有率-车辆数-交通状态二维图具体为:点的位置代表路中检测器的历史集计数据,点的颜色代表对应时间段的交通状态。
4.根据权利要求1所述的基于路中检测器的交通状态估计方法,其特征在于,所述对占有率-车辆数-交通状态二维图进行分析具体为:分析占有率-车辆数-交通状态二维图中不同交通状态对应的数据点,按照位置对其进行划分。
5.根据权利要求1所述的基于路中检测器的交通状态估计方法,其特征在于,所述步骤3)具体为:
31)根据交通状态对占有率-车辆数-交通状态二维图划分出边界曲线;
32)针对每种交通状态选取边界拟合点;
33)根据实际情况排除异常点,进行边界拟合;
34)根据拟合的结果确定每条拟合曲线的最优线型,同时确定每条拟合曲线的边界点;
35)根据每条拟合曲线的边界点的端点所确定的占有率作为曲线外区域不同交通状态的分界线,得到交通状态分界曲线;
36)提取每组环境变量数据及与其对应的交通状态分界曲线的系数xi。
6.根据权利要求5所述的基于路中检测器的交通状态估计方法,其特征在于,所述选取边界拟合点具体为:针对每种交通状态,在纵轴方向上从最低点开始以5为区间长度选取边界拟合点,在边界曲线顶部时以3为区间长度选取边界拟合点,所述边界拟合点包括边界曲线左右两个区间的边界点。
7.根据权利要求1所述的基于路中检测器的交通状态估计方法,其特征在于,所述交通状态分界曲线与环境变量数据的函数关系具体为:
其中,F表示多元线性回归函数,C表示下游交叉口信控周期,λ表示绿信比,S表示检测器位置,fi0为常数项,fi1、fi2和fi3分别为下游交叉口信控周期、绿信比和检测器位置的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610905754.0A CN106355882B (zh) | 2016-10-18 | 2016-10-18 | 一种基于路中检测器的交通状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610905754.0A CN106355882B (zh) | 2016-10-18 | 2016-10-18 | 一种基于路中检测器的交通状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106355882A true CN106355882A (zh) | 2017-01-25 |
CN106355882B CN106355882B (zh) | 2018-12-04 |
Family
ID=57866820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610905754.0A Active CN106355882B (zh) | 2016-10-18 | 2016-10-18 | 一种基于路中检测器的交通状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355882B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316468A (zh) * | 2017-06-14 | 2017-11-03 | 苏州远征魂车船技术有限公司 | 一种道路通行智能管控装置 |
CN108171978A (zh) * | 2017-12-29 | 2018-06-15 | 迈锐数据(北京)有限公司 | 一种交通情况评价方法和装置 |
CN108304993A (zh) * | 2018-01-05 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种业务执行的方法及装置 |
CN109035776A (zh) * | 2018-08-23 | 2018-12-18 | 深圳大学 | 一种交通异常检测方法及系统 |
CN110413632A (zh) * | 2018-04-26 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 管理状态的方法、装置、计算机可读介质及电子设备 |
CN114120655A (zh) * | 2022-01-26 | 2022-03-01 | 苏州映赛智能科技有限公司 | 道路状态预测方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046919A (zh) * | 2006-10-12 | 2007-10-03 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN101833858A (zh) * | 2009-12-17 | 2010-09-15 | 南京城际在线信息技术有限公司 | 一种基于信号灯系统环形线圈判别道路交通状态的方法 |
CN102938203A (zh) * | 2012-11-06 | 2013-02-20 | 江苏大为科技股份有限公司 | 基于基本交通流参数的道路拥挤状态自动判别方法 |
US20140039782A1 (en) * | 2012-07-31 | 2014-02-06 | Chetan Kumar Gupta | Determining a spatiotemporal impact of a planned event on traffic |
CN104008646A (zh) * | 2014-06-12 | 2014-08-27 | 招商局重庆交通科研设计院有限公司 | 基于弹性系数的城市道路交通识别方法及系统 |
US8880324B2 (en) * | 2006-03-03 | 2014-11-04 | Inrix, Inx. | Detecting unrepresentative road traffic condition data |
-
2016
- 2016-10-18 CN CN201610905754.0A patent/CN106355882B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8880324B2 (en) * | 2006-03-03 | 2014-11-04 | Inrix, Inx. | Detecting unrepresentative road traffic condition data |
CN101046919A (zh) * | 2006-10-12 | 2007-10-03 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN101833858A (zh) * | 2009-12-17 | 2010-09-15 | 南京城际在线信息技术有限公司 | 一种基于信号灯系统环形线圈判别道路交通状态的方法 |
US20140039782A1 (en) * | 2012-07-31 | 2014-02-06 | Chetan Kumar Gupta | Determining a spatiotemporal impact of a planned event on traffic |
CN102938203A (zh) * | 2012-11-06 | 2013-02-20 | 江苏大为科技股份有限公司 | 基于基本交通流参数的道路拥挤状态自动判别方法 |
CN104008646A (zh) * | 2014-06-12 | 2014-08-27 | 招商局重庆交通科研设计院有限公司 | 基于弹性系数的城市道路交通识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
FRED L. HALL等: "On-Line Testing of the McMaster Incident Detection Algorithm Under Recurrent Congestion", 《TRANSPORTATION RESEARCH RECORD》 * |
庄斌 等: "道路交通拥挤事件判别准则与检测算法", 《中国公路学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316468A (zh) * | 2017-06-14 | 2017-11-03 | 苏州远征魂车船技术有限公司 | 一种道路通行智能管控装置 |
CN108171978A (zh) * | 2017-12-29 | 2018-06-15 | 迈锐数据(北京)有限公司 | 一种交通情况评价方法和装置 |
CN108304993A (zh) * | 2018-01-05 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种业务执行的方法及装置 |
CN108304993B (zh) * | 2018-01-05 | 2022-04-29 | 创新先进技术有限公司 | 一种业务执行的方法及装置 |
CN110413632A (zh) * | 2018-04-26 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 管理状态的方法、装置、计算机可读介质及电子设备 |
CN109035776A (zh) * | 2018-08-23 | 2018-12-18 | 深圳大学 | 一种交通异常检测方法及系统 |
CN114120655A (zh) * | 2022-01-26 | 2022-03-01 | 苏州映赛智能科技有限公司 | 道路状态预测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106355882B (zh) | 2018-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355882A (zh) | 一种基于路中检测器的交通状态估计方法 | |
CN104700617B (zh) | 基于低精度gps轨迹数据的高精度车道信息提取方法 | |
Mo et al. | Speed profile estimation using license plate recognition data | |
CN103680150B (zh) | 基于线圈检测的交通事件影响范围及持续时间确定方法 | |
CN109919347A (zh) | 路况生成方法、相关装置和设备 | |
CN105070056A (zh) | 一种基于浮动车的交叉口交通拥堵指数计算方法 | |
CN104282149B (zh) | 一种基于交通状态精度指标评价的路网浮动车配置方法 | |
CN103150930A (zh) | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 | |
CN104732075A (zh) | 一种城市道路交通事故风险实时预测方法 | |
CN107563566A (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN106571030A (zh) | 多源交通信息环境下排队长度预测方法 | |
CN106530749A (zh) | 基于单截面低频检测数据的信控交叉口排队长度估计方法 | |
Song et al. | Delay correction model for estimating bus emissions at signalized intersections based on vehicle specific power distributions | |
Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
Yang et al. | Arterial roadway energy/emissions estimation using modal-based trajectory reconstruction | |
CN105336166A (zh) | 基于车载蓝牙的交通特征参数提取方法 | |
Liu et al. | A new approach for real-time traffic delay estimation based on cooperative vehicle-infrastructure systems at the signal intersection | |
CN104750963A (zh) | 交叉口延误时长估计方法及装置 | |
CN105405301A (zh) | 一种针对交叉口直右汇流冲突的右转信号感应控制方法 | |
CN106803347A (zh) | 基于rfid数据的城市交叉口交通状态判别方法 | |
CN111402613A (zh) | 一种自动驾驶车辆收费站车道选择方法 | |
CN104952250B (zh) | 基于交通场面雷达的交通事件条件下的交通组织方法 | |
Anusha et al. | Dynamical systems approach for queue and delay estimation at signalized intersections under mixed traffic conditions | |
An et al. | Lane-based traffic arrival pattern estimation using license plate recognition data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |