CN106448168A - 基于趋势性指标及波动性指标的交通事件自动检测方法 - Google Patents
基于趋势性指标及波动性指标的交通事件自动检测方法 Download PDFInfo
- Publication number
- CN106448168A CN106448168A CN201611050875.8A CN201611050875A CN106448168A CN 106448168 A CN106448168 A CN 106448168A CN 201611050875 A CN201611050875 A CN 201611050875A CN 106448168 A CN106448168 A CN 106448168A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- detection method
- training pattern
- automatic detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 15
- 230000007423 decrease Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000221096 Simmondsia chinensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于趋势性指标及波动性指标的交通事件自动检测方法,包括步骤:S1、通过传感器采集实时交通数据;S2、对实时交通数据进行预处理;S3、基于预处理后的实时交通数据,计算如下的实时特征向量:趋势性指标、波动性指标和上下游变化指标;S4、将计算获得的实时特征向量作为训练模型的输入序列,采用训练模型计算获得对应的输出结果作为交通事件的检测结果。本发明通过传感器采集实时交通数据,可以对交通事件进行检测判断,及时获取交通状态的变化,及时、准确发现交通事件发生的时间、地点,可广泛应用于交通事件检测领域中。
Description
技术领域
本发明涉及公路交通事件检测领域,特别是涉及基于趋势性指标及波动性指标的交通事件自动检测方法。
背景技术
名词解释:
占有率:
峰度:又称峰态系数,表征概率密度分布曲线在平均值处峰值高低的特征数;
偏度:是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征;
上下游:本申请中指交通线路的某一地点的上游路段和下游路段;
脏数据:是指源系统中的数据不在给定的范围内或对于实际业务毫无意义,或是数据格式非法,以及在源系统中存在不规范的编码和含糊的业务逻辑。
交通拥堵问题已经成为了阻碍城市发展的一大问题,不仅造成环境污染,还影响人们的出行与健康。除了机动车数量本身超过道路通行能力造成交通压力外,道路上的各种交通事件也是造成道路拥堵的主要原因。当交通事件发生时,交通状态发生突变,道路的服务水平陡转急下,不仅导致行车延误,还常伴有直接的经济财产损失和人员伤亡。快速有效的交通事件检测能够及时发现交通事故发生的时间、地点,可以让交通管理者在尽快的赶到现场,并做出适当的调整,减少对出行者的影响,同时也为事故伤亡人员赢得宝贵的救治时间,将人员伤亡和经济财产损失降到最低。
目前技术中,较为典型的交通事件检测算法是加州算法,于20世纪60年代由美国加州运输部开发,并得到广泛承认和应用,一般作为评价新算法的参考。该算法属双截面算法,它基于事件发生时上游检测截面占有率将增加,下游检测截面占有率将减少这一事实,通过计算平均占有率,来进行交通事件检测。但是,这种传统的时间检测方法主要利用了空间尺度上占有率的变化,包括上下游占有率的相对差值和绝对差值,在时间尺度上只考虑了占有率的相对差值。由于占有率不能直接体现出路段的是否交通事件,终端报警存在很多误报和漏报的情况,故需要进行数据探索和预处理,总结发生交通事件的占有率变化规律,再从数据中提炼出描述交通事件的特征指标。当道路中出现检测器故障时,会导致其上下游都无法利用该方法进行检测。同时,交通事件的开始时间和结束时间是表征事件的关键时间节点,在这些时间节点上,占有率和终端报警等数据也会有一定的特征变化,传统的加州算法并未考虑关键时间节点前后一定范围的数据波动性特征指标。总的来说,目前的检测方法无法有效地对交通事件进行检测,从而无法及时地获知交通状态的变化。
发明内容
为了解决上述的技术问题,本发明的目的是提供基于趋势性指标及波动性指标的交通事件自动检测方法。
本发明解决其技术问题所采用的技术方案是:
基于趋势性指标及波动性指标的交通事件自动检测方法,包括步骤:
S1、通过传感器采集实时交通数据;
S2、对实时交通数据进行预处理;
S3、基于预处理后的实时交通数据,计算如下的实时特征向量:趋势性指标、波动性指标和上下游变化指标;
S4、将计算获得的实时特征向量作为训练模型的输入序列,采用训练模型计算获得对应的输出结果作为交通事件的检测结果。
进一步,还包括以下步骤:
S0、从交通数据库系统中获取历史交通数据及对应的告警数据后,构建训练模型并根据获取的数据进行模型训练和评价。
进一步,所述步骤S0包括以下步骤:
S01、从交通数据库系统中获取历史交通数据及对应的告警数据构成历史样本数据;
S02、对历史样本数据进行预处理;
S03、基于预处理后的历史样本数据,计算如下的历史特征向量:趋势性指标、波动性指标和上下游变化指标;
S04、构建训练模型,将计算获得的历史特征向量作为训练模型的输入序列,将对应的告警数据作为训练模型的输出序列,对训练模型进行训练及评价。
进一步,所述步骤S04,其具体为:
构建训练模型,将计算获得的历史特征向量作为训练模型的输入序列,将对应的告警数据作为训练模型的输出序列,采用其中80%的训练数据对训练模型进行训练,并用剩下20%的训练数据对训练模型进行评价,从而进行模型优化与重构,直到满足预设的训练参数。
进一步,所述步骤S04中所述训练模型采用LM神经网络模型或CART决策树模型。
进一步,所述交通数据包括速度、占有率和/或交通流量。
进一步,所述趋势性指标是对连续H个时刻获取到的交通数据序列进行以下计算所获得的三个参数:
一、采用最小二乘法对连续H个时刻获取到的交通数据序列拟合得到的曲线的斜率k;
二、计算交通数据序列中的递减趋势时刻数:
上式中,T表示趋势指标,D(i)表示前后两个时刻的交通数据的递减趋势,满足下式:
其中,ki表示当前时刻的交通数据,ki-1表示前一时刻的交通数据;
三、计算前H/2个时刻和后H/2个时刻的平均交通数据的差值:
上式中,davg_H表示计算获得的差值。
进一步,所述波动性指标包括传感器连续H个时刻获取到的交通数据序列的标准差、峰度和偏度。
进一步,所述上下游变化指标包括上下游交通数据序列的绝对差值和相对差值。
进一步,所述步骤S2,其具体为:
对实时交通数据剔除脏数据和误报警数据后,进行数据清洗、缺失值处理。
本发明的有益效果是:本发明的基于趋势性指标及波动性指标的交通事件自动检测方法,包括步骤:S1、通过传感器采集实时交通数据;S2、对实时交通数据进行预处理;S3、基于预处理后的实时交通数据,计算如下的实时特征向量:趋势性指标、波动性指标和上下游变化指标;S4、将计算获得的实时特征向量作为训练模型的输入序列,采用训练模型计算获得对应的输出结果作为交通事件的检测结果。本方法通过传感器采集实时交通数据,可以对交通事件进行检测判断,及时获取交通状态的变化,及时、准确发现交通事件发生的时间、地点。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的基于趋势性指标及波动性指标的交通事件自动检测方法的原理框图。
具体实施方式
实施例一
参照图1,本发明提供了一种基于趋势性指标及波动性指标的交通事件自动检测方法,包括步骤:
S1、通过传感器采集实时交通数据;
S2、对实时交通数据进行预处理;
S3、基于预处理后的实时交通数据,计算如下的实时特征向量:趋势性指标、波动性指标和上下游变化指标;
S4、将计算获得的实时特征向量作为训练模型的输入序列,采用训练模型计算获得对应的输出结果作为交通事件的检测结果。
进一步作为优选的实施方式,还包括以下步骤:
S5、根据交通事件的检测结果进行及时告警。
进一步作为优选的实施方式,还包括以下步骤:
S0、从交通数据库系统中获取历史交通数据及对应的告警数据后,构建训练模型并根据获取的数据进行模型训练和评价。
进一步作为优选的实施方式,所述步骤S0包括以下步骤:
S01、从交通数据库系统中获取历史交通数据及对应的告警数据构成历史样本数据;
S02、对历史样本数据进行预处理,具体为:对历史样本数据剔除脏数据和误报警数据后,进行数据清洗、缺失值处理;
S03、基于预处理后的历史样本数据,计算如下的历史特征向量:趋势性指标、波动性指标和上下游变化指标;
S04、构建训练模型,将计算获得的历史特征向量作为训练模型的输入序列,将对应的告警数据作为训练模型的输出序列,对训练模型进行训练及评价。对应的告警数据是指告警状态标识,例如,当某个历史特征向量对应的告警状态为出现事故,则该告警数据为1,反之,若告警状态为未出现故障,则告警数据为0。
步骤S02和S03中实现的处理过程与步骤S2和S3相同,区别仅在于处理数据的不同,步骤S02和S03是对获取的历史交通数据的处理过程,采用与实际检测过程中一样的处理方式。
进一步作为优选的实施方式,所述步骤S04,其具体为:
构建训练模型,将计算获得的历史特征向量作为训练模型的输入序列,将对应的告警数据作为训练模型的输出序列,采用其中80%的训练数据对训练模型进行训练,并用剩下20%的训练数据对训练模型进行评价,从而进行模型优化与重构,直到满足预设的训练参数。预设的训练参数一般是设定训练模型的预测误差在某一预设范围,例如5%-10%之间的任一参数。具体的,当预设的训练参数为他预测误差在6%的范围内,则当对训练模型评价,将训练数据中的历史特征向量输入训练模型,计算得到输出序列与实际告警数据的训练误差小于6%,不再模型优化与重构。
进一步作为优选的实施方式,所述步骤S04中所述训练模型采用LM神经网络模型或CART决策树模型。
进一步作为优选的实施方式,所述交通数据包括速度、占有率和/或交通流量。
进一步作为优选的实施方式,所述趋势性指标是对连续H个时刻获取到的交通数据序列进行以下计算所获得的三个参数:
一、采用最小二乘法对连续H个时刻获取到的交通数据序列拟合得到的曲线的斜率k;
二、计算交通数据序列中的递减趋势时刻数:
上式中,T表示趋势指标,D(i)表示前后两个时刻的交通数据的递减趋势,满足下式:
其中,ki表示当前时刻的交通数据,ki-1表示前一时刻的交通数据;
三、计算前H/2个时刻和后H/2个时刻的平均交通数据的差值:
上式中,davg_H表示计算获得的差值。
进一步作为优选的实施方式,所述波动性指标包括传感器连续H个时刻获取到的交通数据序列的标准差、峰度和偏度。
进一步作为优选的实施方式,所述上下游变化指标包括上下游交通数据序列的绝对差值和相对差值。
进一步作为优选的实施方式,所述步骤S2,其具体为:
对实时交通数据剔除脏数据和误报警数据后,进行数据清洗、缺失值处理。
本实施例可以通过获取交通系统的传感器采集的实时交通数据,对交通事件进行检测判断,及时、准确发现事件发生的时间、地点,从而可以用于排除事故、发布信息等交通应用领域中,帮助故障路段尽快恢复正常运行。
实施例二
本实施例是实施例一的详细实例。本实施例以采集的交通数据为占有率为例,仔细说明训练模型的预测过程。其它计算过程等,与训练过程原理相似,可参照实施例一的描述。
通过连续H个时刻获取到的占有率序列,可以计算获得如下的历史特征向量:
趋势性指标:
一、连续H个时刻获取到的占有率序列,采用最小二乘法拟合曲线,计算得到的斜率k;
二、计算占有率序列中的递减趋势时刻数,即计算连续H个时刻获取到的占有率序列内,当前时刻比前一个时刻趋势为递减的时刻数:
上式中,T表示趋势指标,D(i)表示前后两个时刻的占有率的递减趋势,满足下式:
其中,ki表示当前时刻的占有率,ki-1表示前一时刻的占有率;
三、计算前H/2个时刻和后H/2个时刻的平均占有率的差值:
上式中,davg_H表示计算获得的差值。
波动性指标:
(1)传感器连续H个时刻获取到的占有率数据序列的标准差;
(2)传感器连续H个时刻获取到的占有率数据序列的峰度;
(3)传感器连续H个时刻获取到的占有率数据序列的偏度。
上下游变化指标:
(1)上下游占有率的绝对差值:
OCCDF=OCC(i,t)-OCC(i+1,t);
(2)上下游占有率的相对差值:
其中,OCCDF表示上下游占有率的绝对差值,OCCRDF表示上下游占有率的相对差值,OCC(i,t)表示第i个检测站t时刻所测得的占有率。
本实施例提取了时间尺度上占有率的波动性指标,这些指标只需要利用单个传感器就可以计算得到,不需要考虑空间尺度上前后检测的占有率差值,即使在单个传感器出现故障时,也不影响路段上下游的检测。同时,这些波动性指标充分提取了事件下的占有率变化特征,对交通事件检测算法准确率的提高有很大的帮助。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,包括步骤:
S1、通过传感器采集实时交通数据;
S2、对实时交通数据进行预处理;
S3、基于预处理后的实时交通数据,计算如下的实时特征向量:趋势性指标、波动性指标和上下游变化指标;
S4、将计算获得的实时特征向量作为训练模型的输入序列,采用训练模型计算获得对应的输出结果作为交通事件的检测结果。
2.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,还包括以下步骤:
S0、从交通数据库系统中获取历史交通数据及对应的告警数据后,构建训练模型并根据获取的数据进行模型训练和评价。
3.根据权利要求2所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述步骤S0包括以下步骤:
S01、从交通数据库系统中获取历史交通数据及对应的告警数据构成历史样本数据;
S02、对历史样本数据进行预处理;
S03、基于预处理后的历史样本数据,计算如下的历史特征向量:趋势性指标、波动性指标和上下游变化指标;
S04、构建训练模型,将计算获得的历史特征向量作为训练模型的输入序列,将对应的告警数据作为训练模型的输出序列,对训练模型进行训练及评价。
4.根据权利要求3所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述步骤S04,其具体为:
构建训练模型,将计算获得的历史特征向量作为训练模型的输入序列,将对应的告警数据作为训练模型的输出序列,采用其中80%的训练数据对训练模型进行训练,并用剩下20%的训练数据对训练模型进行评价,从而进行模型优化与重构,直到满足预设的训练参数。
5.根据权利要求3所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述步骤S04中所述训练模型采用LM神经网络模型或CART决策树模型。
6.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述交通数据包括速度、占有率和/或交通流量。
7.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述趋势性指标是对连续H个时刻获取到的交通数据序列进行以下计算所获得的三个参数:
一、采用最小二乘法对连续H个时刻获取到的交通数据序列拟合得到的曲线的斜率k;
二、计算交通数据序列中的递减趋势时刻数:
上式中,T表示趋势指标,D(i)表示前后两个时刻的交通数据的递减趋势,
满足下式:
其中,ki表示当前时刻的交通数据,ki-1表示前一时刻的交通数据;
三、计算前H/2个时刻和后H/2个时刻的平均交通数据的差值:
上式中,davg_H表示计算获得的差值。
8.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述波动性指标包括传感器连续H个时刻获取到的交通数据序列的标准差、峰度和偏度。
9.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述上下游变化指标包括上下游交通数据序列的绝对差值和相对差值。
10.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法,其特征在于,所述步骤S2,其具体为:
对实时交通数据剔除脏数据和误报警数据后,进行数据清洗、缺失值处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611050875.8A CN106448168B (zh) | 2016-11-24 | 2016-11-24 | 基于趋势性指标及波动性指标的交通事件自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611050875.8A CN106448168B (zh) | 2016-11-24 | 2016-11-24 | 基于趋势性指标及波动性指标的交通事件自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106448168A true CN106448168A (zh) | 2017-02-22 |
CN106448168B CN106448168B (zh) | 2019-02-19 |
Family
ID=58218776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611050875.8A Active CN106448168B (zh) | 2016-11-24 | 2016-11-24 | 基于趋势性指标及波动性指标的交通事件自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106448168B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN109783876A (zh) * | 2018-12-19 | 2019-05-21 | 平安科技(深圳)有限公司 | 时间序列模型建立方法、装置、计算机设备和存储介质 |
CN110119756A (zh) * | 2019-03-25 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种基于投票法的趋势性数据特征自动选择方法 |
CN110322093A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
CN111599174A (zh) * | 2020-05-13 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种交通指标的异常检测方法和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
CN102903240A (zh) * | 2012-10-09 | 2013-01-30 | 潮州市创佳电子有限公司 | 一种基于车载北斗定位终端的实时路况感知系统 |
US20140091950A1 (en) * | 2002-03-05 | 2014-04-03 | Triangle Software Llc | Generating visual information associated with traffic |
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 |
WO2015185594A1 (en) * | 2014-06-04 | 2015-12-10 | Cuende Infometrics, S.A. | System and method for measuring the real traffic flow of an area |
-
2016
- 2016-11-24 CN CN201611050875.8A patent/CN106448168B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140091950A1 (en) * | 2002-03-05 | 2014-04-03 | Triangle Software Llc | Generating visual information associated with traffic |
CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
CN102903240A (zh) * | 2012-10-09 | 2013-01-30 | 潮州市创佳电子有限公司 | 一种基于车载北斗定位终端的实时路况感知系统 |
WO2015185594A1 (en) * | 2014-06-04 | 2015-12-10 | Cuende Infometrics, S.A. | System and method for measuring the real traffic flow of an area |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN107610469B (zh) * | 2017-10-13 | 2021-02-02 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN110322093A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
CN110322093B (zh) * | 2018-03-30 | 2024-03-08 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
CN109783876A (zh) * | 2018-12-19 | 2019-05-21 | 平安科技(深圳)有限公司 | 时间序列模型建立方法、装置、计算机设备和存储介质 |
CN109783876B (zh) * | 2018-12-19 | 2024-02-06 | 平安科技(深圳)有限公司 | 时间序列模型建立方法、装置、计算机设备和存储介质 |
CN110119756A (zh) * | 2019-03-25 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种基于投票法的趋势性数据特征自动选择方法 |
CN110119756B (zh) * | 2019-03-25 | 2021-08-10 | 北京天泽智云科技有限公司 | 一种基于投票法的趋势性数据特征自动选择方法 |
CN111599174A (zh) * | 2020-05-13 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种交通指标的异常检测方法和电子设备 |
CN111599174B (zh) * | 2020-05-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 一种交通指标的异常检测方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106448168B (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106448168A (zh) | 基于趋势性指标及波动性指标的交通事件自动检测方法 | |
CN105279572B (zh) | 城市轨道交通客流密集度指数计算与发布系统 | |
CN108198415A (zh) | 一种基于深度学习的城市快速路事故预测方法 | |
CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN100481153C (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
CN110111578B (zh) | 一种基于张量恢复的偶发性交通拥堵检测方法 | |
CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
CN104732762A (zh) | 一种交通异常路段概率识别方法 | |
CN110209999A (zh) | 一种车载设备故障趋势预测方法 | |
CN101271625A (zh) | 集成支持向量机检测高速公路交通事件的方法 | |
CN112150769A (zh) | 一种基于大数据的地质灾害岩体崩塌智能监测预警系统 | |
CN110264715A (zh) | 一种基于路段突发拥堵分析的交通事件检测方法 | |
CN106156890B (zh) | 一种城市轨道交通通道内客流检测和预测方法及其系统 | |
CN113053063A (zh) | 基于移动端的灾害在线处置流程实现方法 | |
CN102819956B (zh) | 一种基于单截面环形线圈检测器的道路交通事件检测方法 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN115206088A (zh) | 考虑动态交通流的城市快速路交通事故风险量化评估方法 | |
Zhang et al. | Real-time burst detection based on multiple features of pressure data | |
CN102157061A (zh) | 一种基于关键字统计的交通事件识别方法 | |
CN110060370B (zh) | 车辆急加速急减速次数等效统计方法 | |
CN111915880A (zh) | 一种高速公路异常事件事发点有效通行能力估计方法 | |
CN110807916A (zh) | 一种基于路网拓扑结构的交通状态评定方法及系统 | |
Mak et al. | Development of dual-station automated expressway incident detection algorithms | |
Timotheou et al. | Moving horizon fault-tolerant traffic state estimation for the cell transmission model |
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 |