CN106530715A - 基于模糊马尔可夫过程的路网交通状态预测方法 - Google Patents
基于模糊马尔可夫过程的路网交通状态预测方法 Download PDFInfo
- Publication number
- CN106530715A CN106530715A CN201611210279.1A CN201611210279A CN106530715A CN 106530715 A CN106530715 A CN 106530715A CN 201611210279 A CN201611210279 A CN 201611210279A CN 106530715 A CN106530715 A CN 106530715A
- Authority
- CN
- China
- Prior art keywords
- crossing
- state
- traffic
- road
- road network
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于模糊马尔可夫过程的路网交通状态预测方法,包括以下步骤:选定待预测交通状态的路网区域,以固定时间间隔采集区域内各交叉口历史交通流量数据;根据道路服务水平及饱和度之间关系提出一种交叉口状态界定方法,利用所述交叉口状态界定方法对所述区域内各交叉口的状态进行界定;根据所述界定方法及马尔可夫过程,由交叉口当前状态预测下一时刻状态;根据各交叉口历史数据及预测数据计算出模糊评价矩阵;对所述路网区域内的各个交叉口进行分类,并由类型权重及所述模糊评价矩阵计算路网运行状态向量,由此向量可得到预测时刻的路网交通状态。本发明能够对路网整体交通状态进行预测,且计算简单、实时性高,具有良好的预测效果。
Description
技术领域
本发明涉及交通领域,具体涉及一种路网交通状态预测方法。
背景技术
城市路网交通运行状态对于城市交通控制起着至关重要的作用,同时又为交通管理及决策提供直观信息。路网交通状态判别是一个复杂的过程,表现为多尺度、多变量、随机性和时变性。其判别的关键是建立合理的时空分布模型。
目前的交通状态判别方法主要可以分为两类:第一类是从时间角度出发,充分考虑历史及动态信息,运用数理统计、模式识别、聚类分析等方法,从路网检测器中提取表征路网交通状态的交通参数进行处理与分析;第二类是从空间角度出发,考虑构成路网物理结构的静态拓扑特性,采用评价指标如饱和度、通行能力等对路网交叉口进行评价。
在上述交通状态的判别研究方法中,大多避开其建模问题,一是因为存在合理性问题,二是很难对路网的实时运行状态进行判别。而研究路网交通状态判别的建模过程有利于达到时间与空间的结合,增强学科间的联系。
发明内容
本发明提出了一种路网交通状态判别模型,考虑其动态信息和历史状态,并结合其时间信息和空间信息获得其整体状态,从而对其交通状态进行合理地分析和评价。
本发明所述的基于模糊马尔可夫过程的路网交通状态预测方法包括以下步骤:
1)在选定待预测路网交通状态的路网区域以后,以固定时间间隔采集此区域内各个交叉口的历史交通流量数据;
2)为便于量化计算,根据道路服务水平及饱和度之间的关系,建立饱和度值和量化值的映射,由此,可根据饱和度值界定交通状态;
3)根据步骤1)中所得交叉口历史交通流量数据,利用马尔可夫过程特性计算得到交叉口状态转移矩阵如式(1)所示:
其中,pij代表当前时刻交叉口状态为j(j=1,2,3,4),下一时刻状态为i(i=1,2,3,4)的概率;
4)由式(1)并假设已知交叉口当前时刻状态向量为At,则可以计算得出交叉口下一时刻状态向量为At+1=AtP,从而可得交叉口下一时刻交通状态;
5)对所述路网区域内的各个交叉口进行分类,并确定各类型的数目b1,b2,b3,b4,b5,b6,及权重向量如式(2)所示:
B=(B1 B2 B3 B4 B5 B6) (2)
其中,Bi=bi/(b1+b2+b3+b4+b5+b6);
6)考虑步骤2)中所述四种交通状态分别在预测以及历史下一时刻中所占的数目情况,可以计算出模糊评价矩阵如式(3)所示:
其中,矩阵因子mqi表示路网中第q(q=1,2,3,4,5,6)类交叉口的状态为i(i=1,2,3,4)的概率;
7)根据式(2)交叉口类型权重向量以及式(3)模糊评价矩阵,可以计算得到路网运行状态向量A=(A1 A2 A3 A4),从而可得所述路网区域的交通状态。
优选地,步骤1)中所述采集历史交通流量数据的固定时间间隔是指5分钟或15分钟或30分钟或60分钟,最好15分钟;
步骤2)中所述映射关系具体是指:饱和度小于等于0.3为畅通状态,饱和度大于0.3小于等于0.6为轻微拥挤状态,饱和度大于0.6小于等于0.9为拥挤状态,饱和度大于0.9为严重拥挤状态;
步骤5)中所述交叉口分类方法按照如下原则进行:主干路与主干路相交的交叉口作为第一类交叉口,主干路与次干路相交的交叉口作为第二类交叉口,主干路与支路相交的交叉口作为第三类交叉口,次干路与次干路相交的交叉口作为第四类交叉口,次干路与支路相交的交叉口作为第五类交叉口,支路与支路相交的交叉口作为第六类交叉口;
步骤6)中所述模糊评价矩阵的因子由式(4)计算得到:
其中,xi(i=1,2,3,4)为马尔可夫过程预测的交叉口交通状态界定值,yi(i=1,2,3,4)为历史数据中下一时刻交叉口交通状态界定值,u为调整参数,一般取0.75;
步骤7)中所述路网运行状态向量的各分量由式(5)计算得到:
优选地,步骤2)中所述量化值具体是指将四类交通状态:畅通,轻微拥挤,拥挤,严重拥堵分别对应为数值1,2,3,4;
步骤4)中所述交叉口当前或下一时刻状态向量的四个分量分别代表步骤2)中所述四种交通状态的概率值,其中最大的分量代表当前或下一时刻交叉口的状态;
步骤7)中所述路网运行状态向量的四个分量分别代表步骤2)中所述四种交通状态的概率值,其中最大的分量代表路网交通状态。
本发明采用马尔可夫过程对每个交叉口的交通状态进行预测,能够给出每个交叉口节点的交通状态变化情况。本发明在马尔可夫过程预测的交叉口交通状态的基础上,结合历史数据,利用模糊综合评价法分析整体路网的交通运行状态,能够给出整个路网的交通变化趋势。本发明所述路网交通状态预测方法适合于在线实时地预测交通状态并为交通管理部门提供管控决策指导。
本发明的优点是:计算过程简单、耗时短、预测精度高。
附图说明
图1是本发明中模糊马尔可夫过程预测路网交通状态流程图;
图2是本发明的实施路网区域示意图;
图3是本发明所采集的历史数据中某交叉口状态示意图;
图4是本发明对实验路网中各交叉口状态真实值预测值对比示意图;
图5是本发明中预测的路网状态描述示意图。
具体实施方式
下面结合附图进一步说明本发明。
本发明所述的基于模糊马尔可夫过程的路网交通状态预测方法包括以下步骤,见图1所示:
1)在选定待预测路网交通状态的路网区域以后,以固定时间间隔采集此区域内各个交叉口的历史交通流量数据;
2)为便于量化计算,根据道路服务水平及饱和度之间的关系,建立饱和度值和量化值的映射,由此,可根据饱和度值界定交通状态;
3)根据步骤1)中所得交叉口历史交通流量数据,利用马尔可夫过程特性计算得到交叉口状态转移矩阵如式(1)所示:
其中,pij代表当前时刻交叉口状态为j(j=1,2,3,4),下一时刻状态为i(i=1,2,3,4)的概率;
4)由式(1)并假设交叉口当前时刻状态向量为At,则可以计算得出交叉口下一时刻状态向量为At+1=AtP,从而可得交叉口下一时刻交通状态;
5)对所述路网区域内的各个交叉口进行分类,并确定各类型的数目b1,b2,b3,b4,b5,b6,及其权重向量如式(2)所示:
B=(B1 B2 B3 B4 B5 B6) (2)
其中,Bi=bi/(b1+b2+b3+b4+b5+b6);
6)考虑步骤2)中所述四种交通状态分别在预测以及历史下一时刻中所占的数目情况,可以计算出模糊评价矩阵如式(3)所示:
其中,矩阵因子mqi表示路网中第q(q=1,2,3,4,5,6)类交叉口的状态为i(i=1,2,3,4)的概率;
7)根据式(2)交叉口类型权重向量以及式(3)模糊评价矩阵,可以计算得到路网运行状态向量A=(A1 A2 A3 A4),从而可得所述路网区域的交通状态。
步骤1)中所述采集历史交通流量数据的固定时间间隔是指5分钟或15分钟或30分钟或60分钟,最好15分钟;
步骤2)中所述映射关系具体是指:饱和度小于等于0.3为畅通状态,饱和度大于0.3小于等于0.6为轻微拥挤状态,饱和度大于0.6小于等于0.9为拥挤状态,饱和度大于0.9为严重拥挤状态;
步骤5)中所述交叉口分类方法按照如下原则进行:主干路与主干路相交的交叉口作为第一类交叉口,主干路与次干路相交的交叉口作为第二类交叉口,主干路与支路相交的交叉口作为第三类交叉口,次干路与次干路相交的交叉口作为第四类交叉口,次干路与支路相交的交叉口作为第五类交叉口,支路与支路相交的交叉口作为第六类交叉口;
步骤6)中所述模糊评价矩阵的因子由式(4)计算得到:
其中,xi(i=1,2,3,4)为马尔可夫过程预测的交叉口交通状态界定值,yi(i=1,2,3,4)为历史数据中下一时刻交叉口交通状态界定值,u为调整参数,一般取0.75;
步骤7)中所述路网运行状态向量的各分量由式(5)计算得到:
步骤2)中所述量化值具体是指将四类交通状态:畅通,轻微拥挤,拥挤,严重拥堵分别对应为数值1,2,3,4;
步骤4)中所述交叉口当前或下一时刻状态向量的四个分量分别代表步骤2)中所述四种交通状态的概率值,其中最大的分量代表当前或下一时刻交叉口的状态;
步骤7)中所述路网运行状态向量的四个分量分别代表步骤2)中所述四种交通状态的概率值,其中最大的分量代表路网交通状态。
具体实施时,建立一个交通仿真区域路网如图2所示,该路网由主干路,次干路和支路构成,共产生32个交叉口。按所述原则对32个交叉口进行分类后,六类交叉口对应数目分别为10,8,7,2,4,1。以15分钟为时间间隔,采集并统计此路网中各交叉口近两周内上午和中午共四个时间段:7:30-7:45,7:45-8:00,11:30-11:45,11:45-12:00的交通流量。
首先,将采集到的流量数据根据道路通行能力换算成对应饱和度,再根据所述映射关系界定各交叉口状态等级,图3展示32个交叉口中某一个的状态等级。
重复利用马尔可夫过程计算出各交叉口的状态转移矩阵Pi,其中i=<1,2,3,…,32>,代表需要计算出32个交叉口各自的状态转移矩阵。
采集路网中各个交叉口于当天7:30-7:45和11:30-11:45两个时间段的交通数据并用所述界定方法将交通数据转化为状态等级。
结合前述各个交叉口的状态转移矩阵Pi,分别由当天7:30-7:45的交叉口状态预测7:45-8:00的交叉口状态,由当天11:30-11:45的交叉口状态预测11:45-12:00的交叉口状态。两次预测的真实值和预测值对比示意图如图4所示。
由各类交叉口的数目确定其权重:
B=(0.31 0.25 0.22 0.06 0.13 0.03)
统计预测的7:45-8:00时间段中交叉口状态为畅通、轻微拥挤、拥挤、严重拥挤的交叉口数量分别为:11,15,6,0个。
统计预测的11:45-12:00时间段中交叉口状态为畅通、轻微拥挤、拥挤、严重拥挤的交叉口数量分别为:31,1,0,0个。
结合历史数据及所预测数据,将数据输入下式并计算模糊评价矩阵的因子:
取u=0.75得到两个时间段的模糊评价矩阵分别为:
由权重向量B,模糊评价矩阵M1,M2以及式:
计算可得两个预测时间段的路网运行状态向量:
A1=(0.18 0.53 0.27 0.02)
A2=(0.94 0.06 0.00 0.00)
分别求得最大分量为0.53和0.94,两个分量所对应的位置分别为轻微拥挤和畅通,也即预测的7:45-8:00的路网交通状态为轻微拥挤,预测的11:45-12:00的路网交通状态为畅通。图5以预测的时间段7:45-8:00为例,描述此时间段的路网交通状态。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种基于模糊马尔可夫过程的路网交通状态预测方法,包括以下步骤:
1)在选定待预测路网交通状态的路网区域以后,以固定时间间隔采集此区域内各个交叉口的历史交通流量数据;
2)为便于量化计算,根据道路服务水平及饱和度之间的关系,建立饱和度值和量化值的映射,由此根据饱和度值界定交通状态;
3)根据步骤1)中所得交叉口历史交通流量数据,利用马尔可夫过程特性计算得到交叉口状态转移矩阵P;
4)假设已知交叉口当前时刻状态向量为At,计算得出交叉口下一时刻状态向量为At+1=AtP,从而获得交叉口下一时刻交通状态,其中P为步骤3)中所述状态转移矩阵;
5)对所述路网区域内的各个交叉口进行分类,并确定各类型的数目以及权重向量B;
6)考虑步骤2)中所界定的交通状态分别在预测以及历史下一时刻中所占的数目情况,计算出模糊评价矩阵M;
7)根据步骤5)中所述交叉口类型权重向量B以及步骤6)中所述模糊评价矩阵M,计算得到路网运行状态向量A,从而获得所述路网区域的交通状态。
2.如权利要求1所述的一种基于模糊马尔可夫过程的路网交通状态预测方法,其特征在于:
步骤1)中所述采集历史交通流量数据的固定时间间隔是指5分钟或15分钟或30分钟或60分钟;
步骤2)中所述映射关系具体是指:饱和度小于等于0.3为畅通状态,饱和度大于0.3小于等于0.6为轻微拥挤状态,饱和度大于0.6小于等于0.9为拥挤状态,饱和度大于0.9为严重拥挤状态,即界定出了四种交通状态;
步骤3)中所述状态转移矩阵P是一个4×4矩阵,所述四种状态中的每一种都将转移或不转移成四种状态中的任意一种(包含转移成相同状态的情况),如式(1)所示:
其中,pij代表当前时刻交叉口状态为j(j=1,2,3,4),下一时刻状态为i(i=1,2,3,4)的概率;
步骤5)中所述交叉口分类方法按照如下原则进行:主干路与主干路相交的交叉口作为第1类交叉口,主干路与次干路相交的交叉口作为第2类交叉口,主干路与支路相交的交叉口作为第3类交叉口,次干路与次干路相交的交叉口作为第4类交叉口,次干路与支路相交的交叉口作为第5类交叉口,支路与支路相交的交叉口作为第6类交叉口,即定义了六种交叉口类型;
步骤5)中所述各类型交叉口的数目用b1,b2,b3,b4,b5,b6表示,则所述权重向量B如式(2)所示:
B=(B1 B2 B3 B4 B5 B6) (2)
其中,Bi=bi/(b1+b2+b3+b4+b5+b6),即Bi为交叉口各类型所占数目与交叉口总数的比值(i=1,2,3,4,5,6);
步骤6)中所述模糊评价矩阵M是一个6×4矩阵,所述六类交叉口中的每一类都会有四种交通状态的可能,如式(3)所示:
其中,矩阵因子mqi表示路网中第q(q=1,2,3,4,5,6)类交叉口的状态为i(i=1,2,3,4)的概率;
所述模糊评价矩阵因子mqi由式(4)计算得到:
其中,xi(i=1,2,3,4)为马尔可夫过程预测的交叉口交通状态界定值,yi(i=1,2,3,4)为历史数据中下一时刻交叉口交通状态界定值,u为调整参数,一般取0.75;
步骤7)中所述路网运行向量A如式(5)所示:
A=(A1 A2 A3 A4) (5)
所述路网运行状态向量的各分量由式(6)计算得到:
其中,Bj为交叉口各类型所占数目与交叉口总数的比值,mji为所述模糊矩阵因子。
3.如权利要求1所述的一种基于模糊马尔可夫过程的路网交通状态预测方法,其特征在于:
步骤2)中所述量化值具体是指将四类交通状态:畅通,轻微拥挤,拥挤,严重拥堵分别对应为数值1,2,3,4;
步骤4)中所述交叉口当前或下一时刻状态向量的四个分量分别代表步骤2)中所述四种交通状态的概率值,其中最大的分量代表当前或下一时刻交叉口的状态;
步骤7)中所述路网运行状态向量的四个分量分别代表步骤2)中所述四种交通状态的概率值,其中最大的分量代表路网交通状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611210279.1A CN106530715B (zh) | 2016-12-24 | 2016-12-24 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611210279.1A CN106530715B (zh) | 2016-12-24 | 2016-12-24 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530715A true CN106530715A (zh) | 2017-03-22 |
CN106530715B CN106530715B (zh) | 2019-05-31 |
Family
ID=58337596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611210279.1A Active CN106530715B (zh) | 2016-12-24 | 2016-12-24 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530715B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610470A (zh) * | 2017-10-31 | 2018-01-19 | 迈锐数据(北京)有限公司 | 一种交通拥堵评价方法和装置 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
CN108388540A (zh) * | 2018-03-01 | 2018-08-10 | 兰州交通大学 | 基于模糊综合评价的道路网选取算法 |
CN108765985A (zh) * | 2018-06-13 | 2018-11-06 | 重庆交通大学 | 基于第一辆车辆到达的信号交叉口进口道延误计算方法 |
CN109215350A (zh) * | 2018-11-02 | 2019-01-15 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN113065690A (zh) * | 2021-03-19 | 2021-07-02 | 浙江财经大学 | 一种交通预测方法及装置 |
CN113763713A (zh) * | 2021-11-10 | 2021-12-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路网瓶颈路段发掘与管理方法及装置 |
CN116092056A (zh) * | 2023-03-06 | 2023-05-09 | 安徽蔚来智驾科技有限公司 | 目标识别方法、车辆控制方法、设备、介质及车辆 |
CN116580563A (zh) * | 2023-07-10 | 2023-08-11 | 中南大学 | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070083371A (ko) * | 2006-02-21 | 2007-08-24 | 주식회사 케이티 | 비디오트래픽 버퍼의 테일 분포의 지수 파라미터 예측 방법 |
CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN103700257A (zh) * | 2013-11-18 | 2014-04-02 | 贵州省交通科学研究院有限责任公司 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
US20140222997A1 (en) * | 2013-02-05 | 2014-08-07 | Cisco Technology, Inc. | Hidden markov model based architecture to monitor network node activities and predict relevant periods |
-
2016
- 2016-12-24 CN CN201611210279.1A patent/CN106530715B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070083371A (ko) * | 2006-02-21 | 2007-08-24 | 주식회사 케이티 | 비디오트래픽 버퍼의 테일 분포의 지수 파라미터 예측 방법 |
CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
US20140222997A1 (en) * | 2013-02-05 | 2014-08-07 | Cisco Technology, Inc. | Hidden markov model based architecture to monitor network node activities and predict relevant periods |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN103700257A (zh) * | 2013-11-18 | 2014-04-02 | 贵州省交通科学研究院有限责任公司 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
Non-Patent Citations (3)
Title |
---|
白茹: "基于VHT的路网交通拥堵度判定方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
郑建湖 等: "基于马尔可夫链模型的交通拥挤状态预测", 《交通工程》 * |
郭海锋 等: "基于模糊卡尔曼滤波的短时交通流量预测方法", 《浙江工业大学学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610470A (zh) * | 2017-10-31 | 2018-01-19 | 迈锐数据(北京)有限公司 | 一种交通拥堵评价方法和装置 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
CN108320506B (zh) * | 2018-02-05 | 2020-08-04 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
CN108388540A (zh) * | 2018-03-01 | 2018-08-10 | 兰州交通大学 | 基于模糊综合评价的道路网选取算法 |
CN108388540B (zh) * | 2018-03-01 | 2022-09-23 | 兰州交通大学 | 基于模糊综合评价的道路网选取方法 |
CN108765985A (zh) * | 2018-06-13 | 2018-11-06 | 重庆交通大学 | 基于第一辆车辆到达的信号交叉口进口道延误计算方法 |
CN110969275B (zh) * | 2018-09-30 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN109215350B (zh) * | 2018-11-02 | 2021-05-25 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN109215350A (zh) * | 2018-11-02 | 2019-01-15 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
CN113065690A (zh) * | 2021-03-19 | 2021-07-02 | 浙江财经大学 | 一种交通预测方法及装置 |
CN113065690B (zh) * | 2021-03-19 | 2023-06-30 | 浙江财经大学 | 一种交通预测方法及装置 |
CN113763713A (zh) * | 2021-11-10 | 2021-12-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路网瓶颈路段发掘与管理方法及装置 |
CN116092056A (zh) * | 2023-03-06 | 2023-05-09 | 安徽蔚来智驾科技有限公司 | 目标识别方法、车辆控制方法、设备、介质及车辆 |
CN116580563A (zh) * | 2023-07-10 | 2023-08-11 | 中南大学 | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 |
CN116580563B (zh) * | 2023-07-10 | 2023-09-22 | 中南大学 | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106530715B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530715A (zh) | 基于模糊马尔可夫过程的路网交通状态预测方法 | |
CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
Moeini et al. | Fuzzy rule-based model for hydropower reservoirs operation | |
CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
CN106991524A (zh) | 一种台区线损率预估方法 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN105374209A (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
CN106887141A (zh) | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 | |
CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
CN106951993A (zh) | 一种电能量数据预估方法 | |
CN104751254A (zh) | 基于非等距加权灰色模型和模糊聚类排序线损率预测方法 | |
Kavusi et al. | Optimal design of groundwater monitoring network using the combined Election-Kriging method | |
Kalić et al. | Trip distribution modelling using fuzzy logic and a genetic algorithm | |
CN103208036B (zh) | 一种基于电力用户数据的短期负荷预测方法 | |
CN107423854A (zh) | 一种基于gm(1,1)季节趋势预测的房屋人口变动监测方法 | |
Jithish et al. | A Hybrid Adaptive Rule based System for Smart Home Energy Prediction. | |
CN107423811A (zh) | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 | |
Marzouk et al. | Fuzzy clustering model for estimating haulers’ travel time | |
CN107273361A (zh) | 基于广义一般二型模糊集合的词计算方法及其装置 | |
CN107564276A (zh) | 一种基于交通状态突变的交通事件检测方法 | |
WH et al. | Modelling of human expert decision making in reservoir operation | |
Abu-Eisheh et al. | Modelling trip generation using adaptive neuro-fuzzy inference system in comparison with traditional multiple linear regression approach |
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 |