CN106856049B - 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 - Google Patents

基于卡口号牌识别数据的关键交叉口需求集聚分析方法 Download PDF

Info

Publication number
CN106856049B
CN106856049B CN201710052088.5A CN201710052088A CN106856049B CN 106856049 B CN106856049 B CN 106856049B CN 201710052088 A CN201710052088 A CN 201710052088A CN 106856049 B CN106856049 B CN 106856049B
Authority
CN
China
Prior art keywords
intersection
intersections
key
upstream
vehicles
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
Application number
CN201710052088.5A
Other languages
English (en)
Other versions
CN106856049A (zh
Inventor
夏井新
陆振波
安成川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201710052088.5A priority Critical patent/CN106856049B/zh
Publication of CN106856049A publication Critical patent/CN106856049A/zh
Application granted granted Critical
Publication of CN106856049B publication Critical patent/CN106856049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于卡口号牌识别数据的关键交叉口需求集聚分析方法，根据路网内各交叉口的过车号牌识别检测记录，分析短时间隔内在关键交叉口存在过车记录的车辆在驶入该交叉口前的行驶轨迹，进而对关键交叉口交通需求聚集模式进行分析。本发明方法基于车辆号牌的识别与匹配追溯车辆在路网的行驶轨迹，通过大量轨迹数据的短时空间聚合分析路网内关键交叉口的交通需求的汇集方式，从海量历史数据中提取交通流运行模式，为交通信号控制、交通诱导等道路交通管控措施的实施提供可靠的数据支撑和依据。

Description

基于卡口号牌识别数据的关键交叉口需求集聚分析方法
技术领域
本发明涉及了交通技术领域，尤其涉及一种基于卡口号牌识别数据的关键交叉口需求集聚分析方法。
背景技术
城市交通系统的供需矛盾引发的城市交通拥堵、交通安全隐患等问题影响了城市居民的日常出行，也为城市的发展带来了隐患。交通拥堵产生的原因归根结底是交通供求关系的不平衡，从管理角度控制交通需求或提升已有交通系统效率是当前应对交通堵塞问题的主要手段之一。而掌握城市路网的交通需求特性是进行实施有效的交通管控策略的前提。
城市交通流在时间与空间均存在一定的相似性、关联性以及态势演变规律。交通需求模式的探析以及交通流运行规律的描述对掌握路网交通需求宏观态势具有重要意义，进而为城市道路交通管控提供基础支撑。
在众多城市，能够实现智能化车辆号牌识别的卡口系统已得到广泛应用，用于检测路段或路口的车辆通行情况以及违法行驶行为，实现以个体车辆为监管对象的精细化交通管理。微观的交通管理数据为交通流运行模式的分析提供了可靠且精细的数据支撑。以号牌数据为主的卡口检测数据能够实现车辆的全线网跟踪，从海量数据中可以提取精确的交通需求信息。
发明内容
发明目的：为了解决现有技术中存在的问题，本发明提供一种基于卡口号牌识别数据的关键交叉口需求集聚分析方法，利用现有的交通数据资源，而无需布设专门的路段断面、交叉口车辆检测设备来采集交通流数据，能够降低实施成本。
技术方案：为了实现上述目的，本发明中基于卡口号牌识别数据的关键交叉口需求集聚分析方法，包括以下步骤：
(1)基于交叉口布设的智能卡口采集的各车道车辆过车数据，以交叉口为分析单元，设定样本取样时段和分析时段，从历史检测记录中进行取样，获取样本取样时段内各交叉口过车量统计数据，计算路网各交叉口在分析时段的流量，将交通流量最大的交叉口作为关键交叉口；
(2)根据路网内各交叉口的过车记录，获取分析时段内在关键交叉口存在过车记录的车辆在驶入该交叉口前的上游行驶轨迹；
(3)根据步骤(2)中关键交叉口过车的上游行驶轨迹，对关键交叉口交通需求聚集模式进行分析。
其中，获取步骤(2)中车辆驶入关键交叉口前的上游行车轨迹，包括以下步骤：
(21)对于某一分析时段，获取关键交叉口各进口道的车辆过车数据；
(22)确定关键交叉口各进口道的上游关联交叉口及其关联车道组，所述上游关联交叉口是指与关键交叉口某进口道间存在直接连接路段的交叉口，所述关联车道组是指关联交叉口中即将驶入直接连接路段的车道；将关联车道组的过车数据与关键交叉口的过车数据进行匹配以确定关键交叉口过车在上游交叉口的转向；
(23)依照步骤(22)的方式逐级向上游交叉口的方向处理，对分析时段内关键交叉口的过车在上游交叉口的通行记录进行检索，获取车辆在关键交叉口上游区域内的行驶轨迹，生成该分析时段内的关键交叉口过车的轨迹时间序列，其中序列元素为交叉口编号。
其中，步骤(3)中对关键交叉口交通需求聚集模式进行分析，包括以下步骤：
(31)设路网内各交叉口行车指数I的初值为0，对于某一交叉口，若所述关键交叉口过车的轨迹时间序列中存在该交叉口的编号，则更新该交叉口的行车指数I＝I+1；
(32)基于单日的分析时段内的行车指数，获取各交叉口在样本取样时段内不同日期同时段的单日行车指数的平均值；
(33)对交叉口进行层级划分，其中与关键交叉口相邻的交叉口为一级，一级交叉口的相邻交叉口中除去关键交叉口的其他交叉口为二级，按此规则逐级划分层级；根据同一层级行车指数计算各交叉口行车指数百分比，设置第一阈值，筛选出各层级行车指数百分比超过第一阈值的交叉口；
(34)根据步骤(33)筛选出的交叉口在路网拓扑结构表示的二维空间的分布形态，进一步分析相邻交叉口间的直行车辆与转向车辆比例，确定交叉口需求聚合模式。
具体地，步骤(34)中所述的交叉口需求聚合模式包括：单向直线型、双向直线型、单片扇形、双片扇形和发散型。
其中，步骤(34)中确定交叉口需求聚合模式，具体为：
若筛选出的交叉口集中于关键交叉口的某一进口道的上游区域，且在上游区域的二维空间分布集中于单条干线单向走向，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例超过第二阈值，则交叉口需求聚合模式为单向直线型；
若筛选出的交叉口在关键交叉口一组进口道对应的上游区域分布，且在上游区域的二维空间分布集中于一条干线双向走向或两条干线的单向走向，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例超过第二阈值，则交叉口需求聚合模式为双向直线型；
若筛选出的交叉口集中于关键交叉口的某一进口道，或非对向的多个进口道的上游区域，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值，则交叉口需求聚合模式为单片扇形；
若筛选出的交叉口集中两片区域，且在各区域内均存在较为发散的空间分布态势，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值，则交叉口需求聚合模式为双片扇形；
若交叉口分布缺乏显著的集中特征，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值，则交叉口需求聚合模式为发散型。
有益效果：本发明中基于卡口号牌识别数据的关键交叉口需求集聚分析方法，基于当前城市路网覆盖面较大的智能卡口系统获取的车辆号牌检测数据，通过交叉口的车牌号码匹配实现对路网过车的轨迹追溯，以个体车辆在路网的轨迹跟踪为基础，通过海量数据的时空维度聚合，从微观的车辆行驶行为中提取路网交通流运行的宏观模式，从路网内承担较大交通负荷的易发生交通拥堵的关键交叉口着手，从车辆轨迹在地图二维空间的分布形态的直观角度对关键交叉口的交通需求汇集方式进行分类。采用本发明方法可有效掌握路网内实际的交通运行模式，掌握路网总体的交通运行规律，为交通管控部门提供信号控制策略、交通诱导方案的可靠数据支撑，便于采取针对性的交通控制、诱导方式减轻关键交叉口的交通需求量短时集聚情况，对于缓解交通拥堵，提高路网交通运行效率具有重要意义。
附图说明
图1是本发明实施例基于卡口号牌识别数据的关键交叉口需求集聚分析方法的流程示意图；
图2是实施例中关键交叉口关联车道组的示意图；
图3是实施例中单向直线型的示意图；
图4是实施例中双向直线型的示意图；
图5是实施例中单片扇型的示意图；
图6是实施例中双片扇型的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
本实施例基于车辆号牌识别与匹配追溯车辆在路网的行驶轨迹，通过大量轨迹数据的短时空间聚合分析路网内关键交叉口的交通需求的汇集方式；从海量历史数据中提取交通流运行模式，为交通信号控制、交通诱导等道路交通管控措施的实施提供可靠的数据支撑和依据，进而减轻关键交叉口的交通负荷、缓解交通拥堵状况。
图1中基于卡口号牌识别数据的关键交叉口需求集聚分析方法，包括以下步骤：
S1、基于交叉口布设的智能卡口采集的各车道车辆过车数据(即：车辆号牌识别数据)，设定样本取样时段和分析时段，以交叉口为分析单元从历史检测记录中进行取样，本实施例中以连续多日为取样时段，时间长短可以根据需要来进行调整，获取连续多日的交叉口过车量统计数据，计算路网各交叉口在分析时段的流量，将交通流量最大的交叉口作为关键交叉口；
S2、根据路网内各交叉口的过车记录，获取分析时段内在关键交叉口存在过车记录的车辆在驶入该交叉口前的行驶轨迹；具体如下：
S21、可以选择相对较短的时间为分析时段，本实施例以15分钟为分析时段，对于某一分析时段，根据关键交叉口各进口道的车辆过车数据，确定该分析时段内到达关键交叉口的车辆；
S22、确定关键交叉口各进口道的上游关联交叉口及其关联车道组，如图2所示，其中上游关联交叉口为与关键交叉口某进口道间存在直接连接路段的交叉口，关联车道组为关联交叉口中即将驶入直接连接路段的车道；将关联车道组对应的卡口设备采集的过车数据中与关键交叉口的过车数据进行号牌匹配，进而逐一检索出关键交叉口过车在上游交叉口的转向；
S23、依照步骤S22的方式逐级向上游方向处理，对分析时段内关键交叉口的过车在上游交叉口的通行记录进行检索，分析车辆在关键交叉口上游区域内的行驶轨迹，生成该分析时段内的关键交叉口过车的轨迹时间序列，其中序列元素为交叉口编号。
S3、根据S2获得的关键交叉口过车在上游的行驶轨迹，对关键交叉口交通需求聚集模式进行分析。
S31、路网内交叉口配置初值为0的行车指数I，若在S2生成的关键交叉口过车的轨迹时间序列中能够检索到交叉口编号，则对应交叉口的行车指数I＝I+1，对短时段内所有过车在上游的行驶轨迹进行空间汇集；
S32、基于单日的短时间隔内的行车指数，获取样本内不同日期同时段的单日短时行车指数的平均值；
S33、对交叉口进行层级划分，其中与关键交叉口相邻的交叉口为一级，一级交叉口的相邻交叉口中除去关键交叉口的其他交叉口为二级，按此规则逐级划分层级；根据同一层级行车指数计算各交叉口行车指数百分比，某一交叉口行车指数百分比即该交叉口的行车指数与该层级所有交叉口的行车指数之和的比值，以30％作为第一阈值，筛选出各层级行车指数百分比超过阈值的交叉口；
S34、根据S33筛选出的交叉口在路网拓扑结构表示的二维空间的分布形态，进一步分析相邻交叉口间的直行车辆与转向车辆比例，对交叉口需求聚合模式进行分析；具体地，
(1)单向直线型：如图3所示，筛选出的交叉口集中于关键交叉口的某一进口道的上游区域，且在上游区域的空间分布集中于单条干线单向走向，且筛选出的各交叉口的直行车辆比例大于转向车辆比例的交叉口比例超过第二阈值，实施中该第二阈值取值为85％；此类空间分布形态表明关键交叉口的交通需求主要来源于流量较大的干道，且集中于某一方向，交通需求主要由该流向的直行车辆集聚而成。
(2)双向直线型：如图4所示，筛选出的交叉口在关键交叉口一组进口道对应的上游区域分布，且集中于一条干线双向走向或两条干线的单向走向，且筛选出的各交叉口的直行车辆比例大于转向车辆比例的交叉口比例超过第二阈值；此类分布形态表明关键交叉口位于交通需求较大的干线内或存在干线与其直接相关，关键交叉口的交通需求主要集中于两个进口道，且主要为沿相关干线行驶的直行车辆；此类交通需求集聚模式说明关键交叉口所在的干线双向的交通流量大，或关键交叉口周边存在一条或多条流量较大的干线，且大量车辆会汇集至该节点。
(3)单片扇形：如图5所示，筛选出的交叉口集中于关键交叉口的某一进口道，或非对向的多个进口道的上游区域，且筛选出的各交叉口的直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值；此类分布形态表明关键交叉口的交通需求在方向上具有明显的偏向性，对应区域内的过车汇集至关键交叉口。
(4)双片扇形：如图6所示，筛选出的交叉口集中两片区域，且在各区域内均存在较为发散的空间分布态势，且筛选出的各交叉口的直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值；此类分布形态表明关键交叉口可能位于区域交界位置，多方向的车辆将汇集至该节点，造成交叉口较大的交通需求。
(5)发散型：交叉口分布缺乏显著的集中特征，且筛选出的各交叉口的直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值。此类分布形态表明关键交叉口的交通需求汇集方式来源于多个方向，关键交叉口为路网内的主要通行节点。
以上仅是本发明的优选实施方式，应当指出以上实施列对本发明不构成限定，相关工作人员在不偏离本发明技术思想的范围内，所进行的多样变化和修改，均落在本发明的保护范围内。

Claims (2)

1.一种基于卡口号牌识别数据的关键交叉口需求集聚分析方法，其特征在于，该方法包括以下步骤：
(1)基于交叉口布设的智能卡口采集的各车道车辆过车数据，以交叉口为分析单元，设定样本取样时段和分析时段，从历史检测记录中进行取样，获取样本取样时段内各交叉口过车量统计数据，计算路网各交叉口在分析时段的流量，将交通流量最大的交叉口作为关键交叉口；
(2)根据路网内各交叉口的过车记录，获取分析时段内在关键交叉口存在过车记录的车辆在驶入该交叉口前的上游行驶轨迹，包括确定关键交叉口过车在上游交叉口的转向；
(3)根据步骤(2)中关键交叉口过车的上游行驶轨迹，对关键交叉口交通需求聚集模式进行分析，确定关键交叉口交通需求聚集模式，所述关键交叉口交通需求聚集模式包括单向直线型、双向直线型、单片扇形、双片扇形和发散型，对关键交叉口交通需求聚集模式进行分析，包括以下步骤：
(31)设路网内各交叉口行车指数I的初值为0，对于某一交叉口，若所述关键交叉口过车的轨迹时间序列中存在该交叉口的编号，则更新该交叉口的行车指数I＝I+1；
(32)基于单日的分析时段内的行车指数，获取各交叉口在样本取样时段内不同日期同时段的单日行车指数的平均值；
(33)对交叉口进行层级划分，其中与关键交叉口相邻的交叉口为一级，一级交叉口的相邻交叉口中除去关键交叉口的其他交叉口为二级，按此规则逐级划分层级；根据同一层级行车指数计算各交叉口行车指数百分比，设置第一阈值，筛选出各层级行车指数百分比超过第一阈值的交叉口，其中，任一交叉口行车指数百分比为该交叉口的行车指数与该层级所有交叉口的行车指数之和的比值；
(34)根据步骤(33)筛选出的交叉口在路网拓扑结构表示的二维空间的分布形态，进一步根据相邻交叉口间的直行车辆与转向车辆比例确定交叉口交通需求聚集模式，具体如下：
若筛选出的交叉口集中于关键交叉口的某一进口道的上游区域，且在上游区域的二维空间分布集中于单条干线单向走向，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例超过第二阈值，则交叉口交通需求聚集模式为单向直线型；
若筛选出的交叉口在关键交叉口一组进口道对应的上游区域分布，且在上游区域的二维空间分布集中于一条干线双向走向或两条干线的单向走向，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例超过第二阈值，则交叉口交通需求聚集模式为双向直线型；
若筛选出的交叉口集中于关键交叉口的某一进口道，或非对向的多个进口道的上游区域，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值，则交叉口交通需求聚集模式为单片扇形；
若筛选出的交叉口集中两片区域，且在各区域内均存在较为发散的空间分布态势，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值，则交叉口交通需求聚集模式为双片扇形；
若交叉口分布缺乏显著的集中特征，且筛选出的各交叉口中直行车辆比例大于转向车辆比例的交叉口比例未超过第二阈值，则交叉口交通需求聚集模式为发散型。
2.根据权利要求1所述的基于卡口号牌识别数据的关键交叉口需求集聚分析方法，其特征在于，获取步骤(2)中车辆驶入关键交叉口前的上游行车轨迹，包括以下步骤：
(21)对于某一分析时段，获取关键交叉口各进口道的车辆过车数据；
(22)确定关键交叉口各进口道的上游关联交叉口及其关联车道组，所述上游关联交叉口是指与关键交叉口某进口道间存在直接连接路段的交叉口，所述关联车道组是指关联交叉口中即将驶入直接连接路段的车道；将关联车道组的过车数据与关键交叉口的过车数据进行匹配以确定关键交叉口过车在上游交叉口的转向；
(23)依照步骤(22)的方式逐级向上游交叉口的方向处理，对分析时段内关键交叉口的过车在上游交叉口的通行记录进行检索，获取车辆在关键交叉口上游区域内的行驶轨迹，生成该分析时段内的关键交叉口过车的轨迹时间序列，其中序列元素为交叉口编号。
CN201710052088.5A 2017-01-20 2017-01-20 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 Active CN106856049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710052088.5A CN106856049B (zh) 2017-01-20 2017-01-20 基于卡口号牌识别数据的关键交叉口需求集聚分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710052088.5A CN106856049B (zh) 2017-01-20 2017-01-20 基于卡口号牌识别数据的关键交叉口需求集聚分析方法

Publications (2)

Publication Number Publication Date
CN106856049A CN106856049A (zh) 2017-06-16
CN106856049B true CN106856049B (zh) 2020-04-24

Family

ID=59125083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710052088.5A Active CN106856049B (zh) 2017-01-20 2017-01-20 基于卡口号牌识别数据的关键交叉口需求集聚分析方法

Country Status (1)

Country Link
CN (1) CN106856049B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749164B (zh) * 2017-11-23 2020-08-11 浪潮软件科技有限公司 一种车辆聚集分析方法及装置
CN108510735A (zh) * 2018-04-09 2018-09-07 宁波工程学院 一种城市道路交叉口早晚高峰分转向流量的预测方法
CN109191872B (zh) * 2018-10-09 2021-03-19 东南大学 一种基于号牌数据的路口交通流特征参数提取方法
CN109345031B (zh) * 2018-10-26 2021-07-20 江苏智通交通科技有限公司 基于交通流数据的协调干线线路规划方法及配置系统
CN109584553B (zh) * 2018-11-29 2020-09-22 浙江海康智联科技有限公司 一种基于时空信息的路段关联度缺失补全方法
CN110766938B (zh) * 2019-09-18 2023-04-07 平安科技（深圳）有限公司 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN110889427B (zh) * 2019-10-15 2023-07-07 同济大学 一种拥堵交通流溯源分析方法
CN110968617B (zh) * 2019-10-16 2023-04-07 北京交通大学 一种基于位置字段的路网关键路段相关性分析方法
CN112183367B (zh) * 2020-09-29 2022-12-02 重庆紫光华山智安科技有限公司 车辆数据检错方法、装置、服务器及存储介质
CN114937366B (zh) * 2022-07-22 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 一种基于多尺度交通需求与供给转化的交通流推算方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110364B (zh) * 2009-12-28 2013-12-11 日电（中国）有限公司 基于路口和路段的交通信息处理方法和装置
CN102800200B (zh) * 2012-06-28 2014-12-17 吉林大学 相邻信号交叉口相关性分析方法
CN103413437B (zh) * 2013-07-31 2015-04-29 福建工程学院 一种基于车辆数据采集的道路交叉口转向识别方法及系统
CN104750963B (zh) * 2013-12-31 2017-12-01 中国移动通信集团公司 交叉口延误时长估计方法及装置
CN105513366B (zh) * 2016-02-19 2017-09-29 上海果路交通科技有限公司 一种道路交叉口交通状态判定方法

Also Published As

Publication number Publication date
CN106856049A (zh) 2017-06-16

Similar Documents

Publication Publication Date Title
CN106856049B (zh) 基于卡口号牌识别数据的关键交叉口需求集聚分析方法
CN103646187B (zh) 一种统计周期内车辆出行路线及od矩阵获取方法
CN102521965B (zh) 基于车牌识别数据的交通需求管理措施效果评价方法
CN106971534B (zh) 基于号牌数据的通勤出行特征分析方法
CN103839409B (zh) 基于多断面视觉传感聚类分析的交通流状态判别方法
Xu et al. Identifying urban traffic congestion pattern from historical floating car data
CN103593976B (zh) 基于检测器确定道路交通状态的方法及系统
CN106228808B (zh) 基于浮动车时空网格数据的城市快速路旅行时间预测方法
CN109871876A (zh) 一种基于浮动车数据的高速公路路况识别与预测方法
CN104200669A (zh) 一种基于Hadoop的套牌车识别方法及系统
Weijermars Analysis of urban traffic patterns using clustering
CN103971523A (zh) 一种山区道路交通安全动态预警系统
CN101783074A (zh) 一种城市道路交通流状态实时判别方法及系统
CN103903438A (zh) 客运车辆违规停车地点识别方法及系统
CN109859495A (zh) 一种基于rfid数据获取区间速度的方法
CN114267173B (zh) 高速公路时空特征的多源数据融合方法、装置及设备
Aziz et al. Identifying and characterizing truck stops from GPS data
CN104900057A (zh) 一种城市快速路主辅道的浮动车地图匹配方法
CN108648445A (zh) 基于交通大数据的动态交通态势预测方法
CN103903439A (zh) 客运车辆违规停车地点识别方法及系统
CN108765961A (zh) 一种基于改进型限幅平均滤波的浮动车数据处理方法
CN106530685A (zh) 一种交通数据短时预测方法及装置
CN109785627A (zh) 一种十字路口交通流量监控系统
CN106384507A (zh) 基于稀疏检测器的行程时间实时估计方法
CN104966403A (zh) 一种基于地磁的干线自优化信号控制方法及装置

Legal Events

Date Code Title Description
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