CN106910334B - 一种基于大数据预测路段状况的方法及装置 - Google Patents
一种基于大数据预测路段状况的方法及装置 Download PDFInfo
- Publication number
- CN106910334B CN106910334B CN201510976430.1A CN201510976430A CN106910334B CN 106910334 B CN106910334 B CN 106910334B CN 201510976430 A CN201510976430 A CN 201510976430A CN 106910334 B CN106910334 B CN 106910334B
- Authority
- CN
- China
- Prior art keywords
- road section
- abnormal
- data
- road
- driving 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.)
- Active
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据预测路段状况的方法及装置,所述方法采集道路路段上行驶车辆记录的行车数据,将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,如果是异常数据,则将该异常数据及其对应的路段放入异常数据库,并持续记录该路段的行车数据;对于异常数据库中的路段,根据该路段出现异常数据的次数来判断该路段是否是异常路段;对于判断为异常路段的路段,根据预设的模型预测路段异常的原因,提供给用户。本发明的装置包括数据采集模块、异常数据判断模块、异常路段判断模块和异常原因分析模块。本发明的方法及装置,通过大数据的分析可以准确预测路段的状况,节省了人力物力。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种基于大数据预测路段状况的方法及装置。
背景技术
随着国民经济的高速发展,我国汽车产业发展也进入了一个新的时期,汽车已经进入家庭。时代的发展对道路交通的要求越来越高,公路的利用率相较于十几年前大大的增加。然而由于道路受汽车碾压、雨水侵蚀等因素的影响,经常会有某路段出现坑洼、路面断层等情况,这让公路的维修工作面临了严峻的考验。
传统的公路的维修工作依靠人工或图像采集去考察路段,公路维护人员需要经常沿路开车视察哪里有问题,这样既耗体力又浪费时间,同时也会有疏忽问题路段或者不能及时查看到问题的情况出现。其中基于图像采集去考察路段时,路面破损图像识别过程包括两个步骤:
路面破损图像采集,主要包括破损图像的采集和获取、数字化、压缩编码等;
路面破损图像分析,包括路面破损图像分割、描述、和分类等。图像分割的方法主要有二大类:基于边界图像分割、基于区域图像分割技术。
但是由于路面破损的种类繁多,加上破损程度很难用统一的解析式来描述,近些年,基于模糊逻辑、人工神经网络、专家系统等人工智能分类判断算法研究成为路面破损自动识别研究热点。
无论从哪种方式来看,现有技术都存在时间消耗大、图像处理复杂,准确性低的问题,急需更为经济和实际有效的方法来定位破损路段,并确定具体的损坏类型,以便派相应的维修人员前去维修。
发明内容
本发明的目的是提供一种基于大数据预测路段状况的方法及装置,以避免人工考察路段或图像采集分析所固有的判断效率低、判断不准确的技术问题。
为了实现上述目的,本发明技术方案如下:
一种基于大数据预测路段状况的方法,所述方法包括:
采集道路路段上行驶车辆记录的行车数据;
将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,如果是异常数据,则将该异常数据及其对应的路段放入异常数据库,并持续记录该路段的行车数据;
对于异常数据库中的路段,根据该路段出现异常数据的次数来判断该路段是否是异常路段;
对于判断为异常路段的路段,根据预设的模型预测路段异常的原因,提供给用户。
进一步地,所述将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,包括:
根据采集的行车数据及其对应的权重计算得到该路段对应的路况评价值;
将计算得到的路况评价值与正常观测样本对应的路况评价值范围进行对比,如果该路段行车数据对应的路况评价值在该路段正常观测样本的路况评价值范围内,则判定该路段为正常路段,其行车数据为正常数据,否则判定该路段为异常路段,其行车数据为异常数据。
进一步地,所述根据该路段出现异常数据的次数来判断该路段是否是异常路段,包括:
如果连续出现异常数据的次数大于设定的阈值,则判断该路段为异常路段,否则将该路段及其行车数据放入观察数据库;
对于放入观察数据库的路段,继续跟踪该路段的行车数据;
根据跟踪得到的行车数据中异常数据的次数及正常数据的次数,为行车数据对应的路况评价值赋予权重;
根据路况评价值及其权重的乘积,判断该路段是否为异常路段。
进一步地,所述为行车数据对应的路况评价值赋予权重,包括:
在当前行车数据被认定为异常数据时,根据累计出现异常数据的次数增加当前行车数据的权重;
在当前行车数据被认定为正常数据时,根据累计出现正常数据的次数减少当前行车数据的权重。
进一步地,所述根据路况评价值及其权重的乘积,判断该路段是否为异常路段,包括:
在当前路况评价值及其权重的乘积小于设定的第一阈值时,认为该路段为正常路段;而在前路况评价值及其权重的乘积大于设定的第二阈值时,判断该路段为异常路段。
本发明在判断路段是否是异常路段时,所述方法还包括:
如果根据采集的行车数据及其对应的权重计算得到其对应路段的路况评价值大于设定的第三阈值时,直接判断该路段是异常路段。
本发明还提出了一种基于大数据预测路段状况的装置,所述装置包括:
数据采集模块,用于采集道路路段上行驶车辆记录的行车数据;
异常数据判断模块,用于将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,如果是异常数据,则将该异常数据及其对应的路段放入异常数据库,并持续记录该路段的行车数据;
异常路段判断模块,用于对于异常数据库中的路段,根据该路段出现异常数据的次数来判断该路段是否是异常路段;
异常原因分析模块,用于对于判断为异常路段的路段,根据预设的模型预测路段异常的原因,提供给用户。
进一步地,所述异常数据判断模块在将采集的行车数据与正常观测样本进行对比,判断是否为异常数据时,执行如下操作:
根据采集的行车数据及其对应的权重计算得到该路段对应的路况评价值;
将计算得到的路况评价值与正常观测样本对应的路况评价值范围进行对比,如果该路段行车数据对应的路况评价值在该路段正常观测样本的路况评价值范围内,则判定该路段为正常路段,其行车数据为正常数据,否则判定该路段为异常路段,其行车数据为异常数据。
进一步地,所述异常路段判断模块在根据该路段出现异常数据的次数来判断该路段是否是异常路段时,执行如下操作:
如果连续出现异常数据的次数大于设定的阈值,则判断该路段为异常路段,否则将该路段及其行车数据放入观察数据库;
对于放入观察数据库的路段,继续跟踪该路段的行车数据;
根据跟踪得到的行车数据中异常数据的次数及正常数据的次数,为行车数据对应的路况评价值赋予权重;
根据路况评价值及其权重的乘积,判断该路段是否为异常路段。
进一步地,所述异常路段判断模块为行车数据对应的路况评价值赋予权重,包括:
在当前行车数据被认定为异常数据时,根据累计出现异常数据的次数增加当前行车数据的权重;
在当前行车数据被认定为正常数据时,根据累计出现正常数据的次数减少当前行车数据的权重。
进一步地,所述异常路段判断模块在根据路况评价值及其权重的乘积,判断该路段是否为异常路段时,执行如下操作:
在当前路况评价值及其权重的乘积小于设定的第一阈值时,认为该路段为正常路段;而在前路况评价值及其权重的乘积大于设定的第二阈值时,判断该路段为异常路段。
本发明所述异常路段判断模块在判断该路段是否是异常路段时,还执行如下操作:
如果根据采集的行车数据及其对应的权重计算得到其对应路段的路况评价值大于设定的第三阈值时,直接判断该路段是异常路段。
本发明提出的一种基于大数据预测路段状况的方法及装置,通过采集道路上行驶车辆的异常行驶数据,根据与正常观测样本的对比来判断是否是异常数据,并对异常数据进行分析确定路段状况。通过大数据的分析可以准确预测路段的状况,节省了人力物力,并能够定位破损路段和具体的损坏类型,为维修提供了方便。
附图说明
图1为本发明预测路段状况的方法流程图;
图2为本发明预测路段状况的装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
如图1所示,本实施例一种基于大数据预测路段状况的方法,包括:
步骤S1、采集道路路段上行驶车辆记录的行车数据。
本实施例通过分布在行驶车辆上的路面检测仪器来记录车辆的行车数据,例如在高速公路的入口向过往车辆发放通行卡,该通行卡作为路面检测仪器还可以用于记录车辆的行车数据。具体的行车数据可以包括颠簸数据、刹车数据、转弯数据、打滑数据等各种路面可能出现的状况导致的对应的行车数据。车辆记录的行车数据在高速出口收回通行卡后,导入到计算机作为后续分析的基础数据,采集的行车数据越多,后续的分析越准确。
本实施例还可通过车载导航设备或其他具有数据采集功能的设备实现对行车数据的采集,此处不再赘述。
容易理解的是,对于同一路段行车数据的采集,可以定时进行采集,例如一周一次。在行车数据正常时,在这一周内不需要继续采集。而在行车数据异常时,可以通过每天记录一次或一天内连续记录多次的方法来判断该路段是否异常。
步骤S2、将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,如果是异常数据,则将该异常数据及其对应的路段放入异常数据库,并持续记录该路段的行车数据。
本实施例根据车辆在正常路段行驶过程中记录的行车数据,预先保存有正常观测样本,用此来过滤需要预测的行车数据,得到偏离正常的异常数据,以便后续对异常数据进行分析,判断路段状况。
在本实施例中,根据采集的行车数据可以计算得到其对应路段的路况评价值,路况评价值S的计算公式如下:
S=α1s1+α2s2+…+αnsn
其中,s1~sn为不同类型的行车数据,α1~αn为不同类型行车数据对应的权重,满足1=α1+α2+…+αn。不同类型的行车数据例如s1为颠簸数据,s2刹车数据,s3为刹转弯数据等等。
同样,本实施例以车辆在该路段正常状况下行驶过程中记录的行车数据为正常观测样本,可以计算得到该路段正常状况下的路况评价值Snormal,并假设正常状况下的路况评价值Snormal的范围为:
Snormal=[Snormal_low,Snormal_high]。
这样在采集到行车数据后,就可以计算出该路段的路况评价值,与正常观测样本的路况评价值进行对比。如果该路段行车数据对应的路况评价值在该路段正常观测样本的路况评价值范围内,则判定该路段为正常路段,其行车数据为正常数据,否则判定该路段为异常路段,其行车数据为异常数据。
本实施例对于正常路段,不需要保存其行车数据。对于异常路段,将其行车数据作为异常数据,需要保存起来以便后续进行持续分析。保存的异常数据包括路段标识、行车数据、以及对应的路况评价值,以便与后续步骤中统计该路段出现异常数据的次数。
容易理解的是,对一个路段的预测不能仅单单依靠一次的异常数据,若路段存在异常,它的表现应该是连续或者间接连续的,因此为了提高准确性,本实施例对于判定为异常的路段,需要保留一段时间内的行车数据,无论是否是异常数据都需要保存,以便进行后续的判断。
例如对某一段道路,保存一周的历史记录,循环存储每天的异常数据,用于后续的分析,过期的数据自然删除。
步骤S3、对于异常数据库中的路段,根据该路段出现异常数据的次数来判断该路段是否是异常路段。
本实施例在根据行车数据判断某一路段是异常路段后,持续记录一段时间内的行车数据,例如对于同一路段,每天任意发放一张通行卡记录一次行车数据,记录一周,总共记录七次,则得到该路段一周内每天的行车数据。或者在同一天,发放7张通行卡给不同的车,通过多部车每车记录一次,共得到七次行车数据。本发明对具体记录的次数不做限制,记录的次数越多,得到的结果越准确。
容易理解的是,对于有异常数据的路段,统计其在一段时间内出现异常数据的次数,可以判断该路段是否破损。例如如果出现一次异常数据后,未记录到后续的异常数据,则可能是路面出现丢弃物或驾驶人员的操作造成,或者出现误识别。而当出现一次异常数据后,连续几天记录到异常数据,则判断该路段出现破损等异常,需要派人去现场维修。
本实施例根据该路段连续出现异常数据的次数来进行判断该路段是否是异常路段,可以包括多种方法,以下通过实施例来进行说明:
实施例一、连续出现异常数据的次数大于设定的阈值。
如果连续出现异常数据的次数大于设定的阈值,则判断该路段出现异常状况,如果异常数据出现的不连续,则认为该路段正常。
实施例二、根据出现异常数据的次数占总的行车数据次数的比例来判断。
当行车数据出现异常时,将该异常数据及对应的路段记录在异常数据库中,并持续记录该路段的行车数据,假设记录了M次,其中异常数据为N次,如果N/M大于设定的阈值,则判断该路段出现了异常状况,否则判定为正常。
实施例三、对于不是连续出现异常数据的路段放入观察数据库继续观察。
首先如果连续出现异常数据的次数大于设定的阈值,则判断该路段出现异常状况,为异常路段。与实施例一不同的是,对于不是连续出现异常数据的路段,将其放入观察数据库,继续记录行车数据进行后续分析。
需要注意的是,在判断路段的行车数据是异常路段后,如果根据采集的行车数据计算得到其对应路段的路况评价值远远超出了正常状况下的路况评价值Snormal的范围,例如超过设定的一个阈值,则也可以直接判断该路段是异常路段。例如一个路面突然断裂,而发生断裂的危险权重是很大的,通过计算其路况评价值已经超出了设定的阀值,这时候就认为该路段就是有问题的,需要马上进行处理,否则还要拖延几天的话,路面断裂已经形成,可能造成危险。
容易理解的是,如果该路段有时出现异常数据,有时又不出现,则可能是破损情况不严重,或是采集的数据有误,需要进行持续的观察,以便进一步确定是否出现破损等异常状况。
本实施例对于不连续出现异常数据的路段,将该路段放入观察数据库中进行持续观察。对于需要持续观察的路段,本实施例的方法还包括步骤:
对于放入观察数据库的路段,继续跟踪该路段的行车数据;
根据跟踪得到的行车数据中异常数据的次数及正常数据的次数,为行车数据对应的路况评价值赋予权重;
根据路况评价值及其权重的乘积,判断该路段是否为异常路段。
即对于偶然性的异常情况,行车数据表现为间接出现异常数据,不能很把握的确定其为破损路面,因此本实施例设置一个权重W,当该路段的行车数据被认定为异常数据时,增加行车数据的权重,当该路段的行车数据被认定为正常数据时,就减少行车数据的权重。
当前行车数据的权重按照如下公式计算:
其中σ为常数,Tdlf为从此路段加入观察数据库时间开始到当前时间累计出现异常数据的次数,Tnor为从此路段加入观察数据库时间开始到当前时间累计出现正常数据的次数。可见当前行车数据的权重W实时地发生变化,即累计的异常数据越多,权重值越大,累计的正常数据越多,权重值越小。
从而可以根据该权重值来进行判断,即当该权重值小于一定阈值时,认为该路段为正常路段,将其从观察数据库中删除;而当权重值大于设定的一定阈值时,判断该路段为异常路段。
或者根据路况评价值及其权重的乘积来判断,即当他们的乘积小于一定阈值时,认为该路段为正常路段;而当他们的乘积大于设定的一定阈值时,判断该路段为异常路段。
如果还是无法判断,则继续跟踪该路段的行车数据,持续进行判断。
需要说明的是,无论是判断为异常路段或是判断为正常路段后,都将相应的路段及其行车数据从异常数据库和观察数据库中删除,不再进行持续跟踪,而是根据步骤S1的流程来进行常规的判断。
步骤S4、对于判断为异常路段的路段,根据预设的模型预测路段异常的原因,提供给用户。
对于判断为异常路段的路段,可以认为此段路面已经破损。需要结合经验数据库中保存的对不同类型的破损路面的表现数据,进一步的判断此路面破损的类型、原因等。当分析出来破损类型后,派相应的维修人员前去维修,这样大大提高了道路侦测的效率。当然这里也可以结合其它辅助的方式,如图像分析技术,针对性的对此路面进行深入的侦测、分析。
本实施例预设的模型是指经验数据库中保存的对不同类型的破损路面的表现数据,实时的维护经验数据库,路面的表现的情况是多样的,实时更新的丰富多样经验数据库,为更加精准的判断路面破损情况提供更可靠的保障。
如图2所示,本实施例一种基于大数据预测路段状况的装置,包括:
数据采集模块,用于采集道路路段上行驶车辆记录的行车数据;
异常数据判断模块,用于将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,如果是异常数据,则将该异常数据及其对应的路段放入异常数据库,并持续记录该路段的行车数据;
异常路段判断模块,用于对于异常数据库中的路段,根据该路段出现异常数据的次数来判断该路段是否是异常路段;
异常原因分析模块,用于对于判断为异常路段的路段,根据预设的模型预测路段异常的原因,提供给用户。
本实施例异常数据判断模块在将采集的行车数据与正常观测样本进行对比,判断是否为异常数据时,执行如下操作:
根据采集的行车数据及其对应的权重计算得到该路段对应的路况评价值;
将计算得到的路况评价值与正常观测样本对应的路况评价值范围进行对比,如果该路段行车数据对应的路况评价值在该路段正常观测样本的路况评价值范围内,则判定该路段为正常路段,其行车数据为正常数据,否则判定该路段为异常路段,其行车数据为异常数据。
本实施例异常路段判断模块在根据该路段出现异常数据的次数来判断该路段是否是异常路段时,执行如下操作:
如果连续出现异常数据的次数大于设定的阈值,则判断该路段为异常路段,否则将该路段及其行车数据放入观察数据库;
对于放入观察数据库的路段,继续跟踪该路段的行车数据;
根据跟踪得到的行车数据中异常数据的次数及正常数据的次数,为行车数据对应的路况评价值赋予权重;
根据路况评价值及其权重的乘积,判断该路段是否为异常路段。
其中,本实施例异常路段判断模块为行车数据对应的路况评价值赋予权重,包括:
在当前行车数据被认定为异常数据时,根据累计出现异常数据的次数增加当前行车数据的权重;
在当前行车数据被认定为正常数据时,根据累计出现正常数据的次数减少当前行车数据的权重。
本实施例异常路段判断模块在根据路况评价值及其权重的乘积,判断该路段是否为异常路段时,执行如下操作:
在当前路况评价值及其权重的乘积小于设定的第一阈值时,认为该路段为正常路段;而在前路况评价值及其权重的乘积大于设定的第二阈值时,判断该路段为异常路段。
本实施例异常路段判断模块在判断该路段是否是异常路段时,还执行如下操作:
如果根据采集的行车数据及其对应的权重计算得到其对应路段的路况评价值大于设定的第三阈值时,直接判断该路段是异常路段。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于大数据预测路段状况的方法,其特征在于,所述方法包括:
采集道路路段上行驶车辆记录的行车数据;
将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,如果是异常数据,则将该异常数据及其对应的路段放入异常数据库,并持续记录该路段的行车数据;
对于异常数据库中的路段,根据该路段出现异常数据的次数来判断该路段是否是异常路段;
对于判断为异常路段的路段,根据预设的模型预测路段异常的原因,提供给用户;
所述根据该路段出现异常数据的次数来判断该路段是否是异常路段,包括:
如果连续出现异常数据的次数大于设定的阈值,则判断该路段为异常路段,否则将该路段及其行车数据放入观察数据库;
对于放入观察数据库的路段,继续跟踪该路段的行车数据;
根据跟踪得到的行车数据中异常数据的次数及正常数据的次数,为行车数据对应的路况评价值赋予权重;
根据路况评价值及其权重的乘积,判断该路段是否为异常路段。
2.根据权利要求1所述的预测路段状况的方法,其特征在于,所述将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,包括:
根据采集的行车数据及其对应的权重计算得到该路段对应的路况评价值;
将计算得到的路况评价值与正常观测样本对应的路况评价值范围进行对比,如果该路段行车数据对应的路况评价值在该路段正常观测样本的路况评价值范围内,则判定该路段为正常路段,其行车数据为正常数据,否则判定该路段为异常路段,其行车数据为异常数据。
3.根据权利要求1所述的预测路段状况的方法,其特征在于,所述为行车数据对应的路况评价值赋予权重,包括:
在当前行车数据被认定为异常数据时,根据累计出现异常数据的次数增加当前行车数据的权重;
在当前行车数据被认定为正常数据时,根据累计出现正常数据的次数减少当前行车数据的权重。
4.根据权利要求1所述的预测路段状况的方法,其特征在于,所述根据路况评价值及其权重的乘积,判断该路段是否为异常路段,包括:
在当前路况评价值及其权重的乘积小于设定的第一阈值时,认为该路段为正常路段;而在前路况评价值及其权重的乘积大于设定的第二阈值时,判断该路段为异常路段。
5.根据权利要求2所述的预测路段状况的方法,其特征在于,所述方法还包括:
如果根据采集的行车数据及其对应的权重计算得到其对应路段的路况评价值大于设定的第三阈值时,直接判断该路段是异常路段。
6.一种基于大数据预测路段状况的装置,其特征在于,所述装置包括:
数据采集模块,用于采集道路路段上行驶车辆记录的行车数据;
异常数据判断模块,用于将采集的行车数据与正常观测样本进行对比,判断是否为异常数据,如果是异常数据,则将该异常数据及其对应的路段放入异常数据库,并持续记录该路段的行车数据;
异常路段判断模块,用于对于异常数据库中的路段,根据该路段出现异常数据的次数来判断该路段是否是异常路段;
异常原因分析模块,用于对于判断为异常路段的路段,根据预设的模型预测路段异常的原因,提供给用户;
所述异常路段判断模块在根据该路段出现异常数据的次数来判断该路段是否是异常路段时,执行如下操作:
如果连续出现异常数据的次数大于设定的阈值,则判断该路段为异常路段,否则将该路段及其行车数据放入观察数据库;
对于放入观察数据库的路段,继续跟踪该路段的行车数据;
根据跟踪得到的行车数据中异常数据的次数及正常数据的次数,为行车数据对应的路况评价值赋予权重。
7.根据权利要求6所述的预测路段状况的装置,其特征在于,所述异常数据判断模块在将采集的行车数据与正常观测样本进行对比,判断是否为异常数据时,执行如下操作:
根据采集的行车数据及其对应的权重计算得到该路段对应的路况评价值;
将计算得到的路况评价值与正常观测样本对应的路况评价值范围进行对比,如果该路段行车数据对应的路况评价值在该路段正常观测样本的路况评价值范围内,则判定该路段为正常路段,其行车数据为正常数据,否则判定该路段为异常路段,其行车数据为异常数据。
8.根据权利要求6所述的预测路段状况的装置,其特征在于,所述异常路段判断模块为行车数据对应的路况评价值赋予权重,包括:
在当前行车数据被认定为异常数据时,根据累计出现异常数据的次数增加当前行车数据的权重;
在当前行车数据被认定为正常数据时,根据累计出现正常数据的次数减少当前行车数据的权重。
9.根据权利要求6所述的预测路段状况的装置,其特征在于,所述异常路段判断模块在根据路况评价值及其权重的乘积,判断该路段是否为异常路段时,执行如下操作:
在当前路况评价值及其权重的乘积小于设定的第一阈值时,认为该路段为正常路段;而在前路况评价值及其权重的乘积大于设定的第二阈值时,判断该路段为异常路段。
10.根据权利要求7所述的预测路段状况的装置,其特征在于,所述异常路段判断模块在判断该路段是否是异常路段时,还执行如下操作:
如果根据采集的行车数据及其对应的权重计算得到其对应路段的路况评价值大于设定的第三阈值时,直接判断该路段是异常路段。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510976430.1A CN106910334B (zh) | 2015-12-22 | 2015-12-22 | 一种基于大数据预测路段状况的方法及装置 |
JP2018531408A JP2019505892A (ja) | 2015-12-22 | 2016-12-12 | ビッグデータに基づいて道路状態を予測する方法及び装置 |
PCT/CN2016/109387 WO2017107790A1 (zh) | 2015-12-22 | 2016-12-12 | 一种基于大数据预测路段状况的方法及装置 |
US16/016,502 US10977933B2 (en) | 2015-12-22 | 2018-06-22 | Method and apparatus for predicting road conditions based on big data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510976430.1A CN106910334B (zh) | 2015-12-22 | 2015-12-22 | 一种基于大数据预测路段状况的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106910334A CN106910334A (zh) | 2017-06-30 |
CN106910334B true CN106910334B (zh) | 2019-12-24 |
Family
ID=59089014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510976430.1A Active CN106910334B (zh) | 2015-12-22 | 2015-12-22 | 一种基于大数据预测路段状况的方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10977933B2 (zh) |
JP (1) | JP2019505892A (zh) |
CN (1) | CN106910334B (zh) |
WO (1) | WO2017107790A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910334B (zh) | 2015-12-22 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 一种基于大数据预测路段状况的方法及装置 |
CN112815956B (zh) * | 2019-11-18 | 2022-06-14 | 百度在线网络技术(北京)有限公司 | 道路情况确定的方法及装置 |
CN112070239B (zh) * | 2020-11-11 | 2021-07-09 | 上海森亿医疗科技有限公司 | 基于用户数据建模的分析方法、系统、介质及设备 |
CN112614342B (zh) * | 2020-12-10 | 2022-08-30 | 大唐高鸿智联科技(重庆)有限公司 | 一种道路异常事件的预警方法、车载设备及路侧设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101583507A (zh) * | 2006-12-05 | 2009-11-18 | 沃尔沃拉斯特瓦格纳公司 | 用于确定路面状况的方法和生成车辆使用日志的方法 |
CN102409599A (zh) * | 2011-09-22 | 2012-04-11 | 中国科学院深圳先进技术研究院 | 道路路面检测方法及系统 |
CN103185724A (zh) * | 2011-12-28 | 2013-07-03 | 富士通株式会社 | 路面检查装置 |
CN204311328U (zh) * | 2014-12-04 | 2015-05-06 | 陕西中大机械集团有限责任公司 | 一种路面平整度实时监控系统 |
CN104929024A (zh) * | 2015-06-15 | 2015-09-23 | 广西大学 | 路面平整度检测仪及路面平整度测量方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4265503B2 (ja) * | 2004-08-06 | 2009-05-20 | 株式会社デンソー | 路面情報収集システム及びそれに用いるサーバ |
KR100625096B1 (ko) * | 2006-03-27 | 2006-09-15 | 주식회사 윈스테크넷 | 트래픽 변화량과 해킹 위협률의 상호 연관성 분석에 기초한예경보 방법 및 그 시스템 |
US20080103835A1 (en) * | 2006-10-31 | 2008-05-01 | Caterpillar Inc. | Systems and methods for providing road insurance |
CN100535955C (zh) * | 2008-04-01 | 2009-09-02 | 东南大学 | 一种识别离群交通数据的方法 |
CN201927175U (zh) * | 2011-01-05 | 2011-08-10 | 中国科学院深圳先进技术研究院 | 智能交通系统信息采集器 |
CN103975372B (zh) * | 2011-12-06 | 2016-03-16 | 三菱电机株式会社 | 中心侧系统及车辆侧系统 |
CN103745595B (zh) * | 2012-10-17 | 2016-08-03 | 中国电信股份有限公司 | 分析路况信息的方法和系统以及路况分析服务器 |
CN104751629B (zh) * | 2013-12-31 | 2017-09-15 | 中国移动通信集团公司 | 一种交通事件的检测方法和系统 |
CN104504903B (zh) * | 2014-12-31 | 2017-07-07 | 北京赛维安讯科技发展有限公司 | 交通事件采集装置及方法、交通事件监测系统及方法 |
CN104933863B (zh) * | 2015-06-02 | 2017-05-03 | 福建工程学院 | 一种交通道路中异常路段识别的方法及系统 |
CN106910334B (zh) | 2015-12-22 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 一种基于大数据预测路段状况的方法及装置 |
-
2015
- 2015-12-22 CN CN201510976430.1A patent/CN106910334B/zh active Active
-
2016
- 2016-12-12 JP JP2018531408A patent/JP2019505892A/ja active Pending
- 2016-12-12 WO PCT/CN2016/109387 patent/WO2017107790A1/zh active Application Filing
-
2018
- 2018-06-22 US US16/016,502 patent/US10977933B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101583507A (zh) * | 2006-12-05 | 2009-11-18 | 沃尔沃拉斯特瓦格纳公司 | 用于确定路面状况的方法和生成车辆使用日志的方法 |
CN102409599A (zh) * | 2011-09-22 | 2012-04-11 | 中国科学院深圳先进技术研究院 | 道路路面检测方法及系统 |
CN103185724A (zh) * | 2011-12-28 | 2013-07-03 | 富士通株式会社 | 路面检查装置 |
CN204311328U (zh) * | 2014-12-04 | 2015-05-06 | 陕西中大机械集团有限责任公司 | 一种路面平整度实时监控系统 |
CN104929024A (zh) * | 2015-06-15 | 2015-09-23 | 广西大学 | 路面平整度检测仪及路面平整度测量方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017107790A1 (zh) | 2017-06-29 |
CN106910334A (zh) | 2017-06-30 |
US10977933B2 (en) | 2021-04-13 |
JP2019505892A (ja) | 2019-02-28 |
US20180301025A1 (en) | 2018-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197588B (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
CN110164132B (zh) | 一种道路交通异常的检测方法及系统 | |
CN111462488A (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN109164450B (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN101075377A (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 | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN115527364A (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN115565373B (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
US20110015967A1 (en) | Methodology to identify emerging issues based on fused severity and sensitivity of temporal trends | |
CN115497306A (zh) | 一种基于gis数据的速度区间权重计算方法 | |
CN104504713A (zh) | 一种动车组运行状态图像监控故障自动识别方法 | |
CN113112803A (zh) | 基于视频监控的城市交通道路车流数据采集和分析处理系统 | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 | |
Fabre et al. | Estimating Bus Passenger Mobility with Wi-Fi Data and Clustering | |
CN114407918B (zh) | 接管场景分析方法、装置、设备及存储介质 | |
CN115862337B (zh) | 一种基于云端的车辆行程检测方法 | |
CN219654743U (zh) | 一种盾构环流系统堵塞预警系统 | |
Abou Chacra et al. | Road Defect Detection in Street View Images using Texture Descriptors and Contour Maps | |
CN117668618A (zh) | 一种基于信令数据的交通工具识别方法和系统 | |
CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1237980 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |