CN106960568A - 产生基于不确定性的交通拥堵指数的方法、介质和系统 - Google Patents

产生基于不确定性的交通拥堵指数的方法、介质和系统 Download PDF

Info

Publication number
CN106960568A
CN106960568A CN201611010212.3A CN201611010212A CN106960568A CN 106960568 A CN106960568 A CN 106960568A CN 201611010212 A CN201611010212 A CN 201611010212A CN 106960568 A CN106960568 A CN 106960568A
Authority
CN
China
Prior art keywords
traffic congestion
gps data
congestion index
matching process
data points
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
Application number
CN201611010212.3A
Other languages
English (en)
Other versions
CN106960568B (zh
Inventor
董维山
段宁
高鹏
胡国强
李长升
张欣
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN106960568A publication Critical patent/CN106960568A/zh
Application granted granted Critical
Publication of CN106960568B publication Critical patent/CN106960568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions

Abstract

本申请涉及产生基于不确定性的交通拥堵指数的方法、介质和系统。一种用于产生基于不确定性的交通拥堵指数的机制，所述机制包括：由处理器获得多个GPS数据点；由处理器分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；当GPS数据点已经被所述分割分割，由处理器在多个GPS数据点上执行地图匹配过程；由处理器计算指示地图匹配过程的置信度值；以及由处理器产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。在各种实施例中，该机制被实现为系统、方法和/或计算机程序产品。

Description

产生基于不确定性的交通拥堵指数的方法、介质和系统
技术领域
本申请涉及产生基于不确定性的交通拥堵指数的方法、介质和系统。
背景技术
如交通拥堵指数(traffic congestion index，TCI)形式的交通拥堵信息广泛应用于交通计划和驾驶指引(如Google地图、百度地图等)。
随着远程信息技术、传感器、移动技术的发展，大量互联的车辆在不久的将来将成为现实。在大量互联车辆的时代，来自各个车辆的全球定位系统(GPS)数据将被用于交通拥堵指数计算。
参考图1，示出了现有的在地图101上产生交通拥堵指数示例。可以在专用的便携导航设备(其中之一在此显示为导航设备103)上显示交通拥堵指数。进一步，可以在智能电话(其中之一在此显示为智能电话105)上显示交通拥堵指数。更进一步，可以在电话广播(其中之一在此显示为电视广播107)上显示交通拥堵指数。
继续参考图1，可以基于如下产生交通拥堵指数:(a)来自固定传感器(图1中示为元件109)的交通数据；(b)来自移动传感器(图1中示为元件111)的交通数据；(c)来自公共事件(图1中示为元件113)的交通数据；以及来自GIS-T应用(图1中示为元件115)的交通数据。
现在参考图2A，示出了从数据预处理(201)、到数据融合(203)、到应用(205)的现有流程。如图所示，从道路传感器接收的数据通过下列各项进行预处理：(a)异常检测与过滤；和(b)时间和空间的关联与补偿。并且，如所示，对从移动车辆传感器接收的数据使用以下各项进行预处理：(a)异常检测与过滤；和(b)轨迹模式分析；和(c)道路映射。注意，这些现有的工作流程缺少关于数据准确性的衡量(即数据不确定性)。此外，在这些现有的工作流程中数据处理和TCI计算由不同的组织进行处理。
特别地，关于GPS，注意到，由于GPS传感器的读取存在定位错误和采样错误，GPS跟踪数据偏离实际轨迹在所难免。作为结果，GPS数据预处理的任务(包括将原始GPS跟踪数据匹配到数字地图(即“地图匹配”)，并且处理例外、更正错误、减小噪音和冗余)是计算TCI的前提条件。关于地图匹配，现在参考图2B，可以看到汽车A在特定道路上行驶。在这个例子中，接收位置序列A、B、C的原始GPS跟踪数据。地图匹配的任务推断出实际的位置序列——可以是A2,B1,C3或A1,B2,C3或A3,B1,C2……等等。地图匹配的输出是最有可能的位置序列或轨迹(在此例中以较深折线示出的A1,B2,C3被标记为“1”)。
然而，TCI计算的现有解决方案典型的缺少关于这一不确定性的衡量。也就是说TCI计算的现有解决方案典型被分为两个独立的过程：数据预处理和之后的TCI计算。在现有的TCI计算阶段，所有的输入都被认为是同等的确定。
发明内容
因此，不同的实施例提供机制以衡量GPS数据处理中的不确定性，然后在第二阶段提高交通拥堵指数计算的质量。进一步在不同的实施例中，可以通过系统、方法和/或计算机程序产品实现这一机制。
提供了各种实施例，涉及监测机动车交通状况的机制，并且具体的，涉及改进的交通拥堵指数，为驾驶员所用，以避免交通拥堵区域。
在一个实施例中，计算机实现的方法产生基于不确定性的交通拥堵指数，包括：由处理器获得多个GPS数据点；由处理器分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；当GPS数据点已经被所述分割分割，由处理器在多个GPS数据点上执行地图匹配过程；由处理器计算指示地图匹配过程的置信度值；由处理器产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。
在另一个实施例中，提供了计算机可读存储介质，有形地实现由计算机执行的程序指令以产生基于不确定性的交通拥堵指数，在执行程序指令的时候，执行下列步骤：获得多个GPS数据点；分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；当GPS数据点已经被所述分割分割，在多个GPS数据点上执行地图匹配过程；计算指示地图匹配过程的置信度值；以及产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。
在另一个实施例中，提供了计算机实现的系统，以产生基于不确定性的交通拥堵指数，系统包括：处理器；存储计算机可读指令的存储器，计算机指令当在处理器上执行时实现：获得元件，被配置为获得多个GPS数据点；分割元件，被配置为分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；执行元件，被配置为当所述GPS数据点已经被所述分割分割，在多个GPS数据点上执行地图匹配过程；计算元件，被配置为计算指示地图匹配过程的置信度值；产生元件，被配置为产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的；以及输出元件，被配置为输出交通拥堵指数。
在一个实施例中，输出元件被配置为以地图形式输出交通拥堵指数。
附图说明
结合附图和以下具体说明将使本发明的各种目标、特征、优势对于本领域普通技术人言将会更加明显。
图1示出了现有的产生地图上描述的交通拥堵指数的例子的示意图。
图2A示出了现有的从数据预处理到数据融合到应用的流程的例子的示意图。
图2B示出了现有地图匹配过程的例子的示意图。
图3示出了按照一个实施例的可变滑动窗口分割器和地图匹配器的示意性框图，
图4A示出了按照一个实施例的示例性地图匹配过程(由图1中的地图匹配器执行的类型)的框图。
图4B、4C和4D示出了按照一个实施例的与形状信息、滑动窗口和地图匹配置信度相关的示意图。
图5A-5D示出了(按照一个实施例的)影响TCI的示例性地图，所述地图示出了由GPS设备引起的各种不确定性，图5A显示桥上没有信号，图5B示出了穿过湖底的隧道以及离开隧道后掉头穿过大街的轨迹，图5C示出了连接缺失，图5D示出了GPS“漂移(floating)”。
图6A-6D描述了(按照一个实施例的)示例性地图，示出了可变滑动窗口内的各种轨迹，图6A示出了轨迹601的长度和形状，图6B示出了轨迹603的长度和形状，图6C示出了轨迹605的长度和形状，图6D示出了轨迹607的长度和形状。
图7、8、9描述了(按照一个实施例的)关于形状个数信息的示例性实施例。
图10描述了现有的曲线相似度确定方法。
图11描述了现有的Fréchet距离确定方法。
图12A描述了示例性交通拥堵指数计算的图形，并且图12B描述了显示示例性交通拥堵指数输出的地图。
图13描述了按照一个实施例的方法流程图。
图14描述了按照一个实施例的方法流程图。
图15描述了按照一个实施例的系统框图。
图16描述了按照一个实施例的系统框图。
图17A和17B描述了一个通过管理不确定性来最小化心理落差的实施例的示意图。
具体实施方式
为了描述和主张本发明的权利的目的，术语“地图匹配过程”意指匹配原始GPS跟踪数据到数字地图上(如数字地图的道路)。
为了描述和主张本发明的权利的目的，术语“指示地图匹配过程的置信度值”指示原始GPS数据被正确匹配到数字地图(例如数字地图上的道路)上的可能性。
正如此处所描述的，各种实施例的核心思想是将不确定性测量作为新的GPS数据预处理阶段的输出，其中作为GPS数据预处理阶段的新的输出的不确定性测量也作为新的输入被加入，用于交通拥堵指数计算(在这方面，关键的问题和挑战是理解不确定性是如何发生的，以及如何测量它们；此处所描述的是这些不确定性是如何发生的以及如何测量它们的若干解释)。
参考图3，示出了按照一个实施例的可变滑动窗口分割器301和地图匹配器303。在这方面，如以上所描述的，已知GPS数据预处理的关键步骤是地图匹配(将原始GPS跟踪数据匹配到数字地图上)。作为结果，可以识别车辆行驶的实际道路。这个步骤是计算TCI的前提。然而，TCI是基于一定时间间隔内(通常5到15分钟)行驶在每个道路段上的所有车辆的聚集信息。
为了进行到TCI计算阶段，原始GPS数据的长序列必须首先被分割到滑动窗口以进行地图匹配。在传统的解决方案中，滑动窗口的长度通常是固定的。相反，在此处所描述的各种实施例中，使用特别设计的可变滑动窗口分割器301以实现这一目的。进一步，在“地图匹配置信度计算器”(地图匹配器303的一部分)中，为地图匹配窗口的每个结果计算置信度值。因此，每个窗口的轨迹的长度和形状是置信度计算的关键(例如直线可能没有独特的特征(呈现不出形状信息)，并且很难确保置信度值的质量(可能有很多备选方案))。
如此处所描述的，本实施例提供计算器301A以计算每个滑动窗口内的轨迹的形状信息数量。进一步，可变滑动窗口分割器301包括优化引擎(或优化器)301B以分割原始GPS数据的长序列到若干滑动窗口(其中对所有窗口的形状信息数量被最大化)。
仍然参考图3，“地图匹配置信度计算器”(地图匹配器303的一部分)可能执行地图匹配置信度计算如下：(a)通过分析GPS数据(评估“信号稳定性”)来评估轨迹的形状的连续性和光滑度；和/或(b)执行曲线相似度计算以为每个滑动窗口计算地图匹配置信度。
关于上面的第(b)，在一个具体的示例性实施例中，可以使用弗雷歇(Fréchet)距离。在数学中弗雷歇距离用于在考虑沿着曲线的点的位置和顺序的情况下测量曲线相似度。在其它例子中，可以使用其它曲线相似度的计算方法。在任何情况下，如上面所描述的，可变滑动窗口分割器301可以最大化所有窗口的信息数量(可以确保和量化曲线相似度计算质量)。
现在参考为什么滑动窗口通常是必要的，注意到一个行程通常包括至少1000个GPS采样点。由此，所有可能的组合可以是非常大的(如8*8*10*….*12＝1.23*101000)。因此，有必要分割长行程到很多部分(滑动窗口)。
现在参考图4A，示出了按照一个实施例的示例性地图匹配过程(图3的地图匹配器303所执行的类型)。如所示的，示例性地图匹配过程使用点“1”、“2”和“3”(在地图401中所示)，然后移动(每个点)到步骤403；到步骤405所示，然后到步骤407所示。
现在参考图4B、4C和4D，示出了按照一个实施例的与形状信息、滑动窗口和地图匹配置信度相关的示意图。更具体的，图4B示出了大量GPS采样点和两个其可能行驶的道路(道路A和道路B)。现在参考图4C，可以看出滑动窗口2的轨迹具有更少的形状信息，因此没有(或更低)的置信度与地图匹配结果相关(即，汽车是否实际驾驶在道路A或道路B上？)。现在参考图4D，滑动窗口2的轨迹具有更多的形状信息，因此具有更多的置信度与地图匹配结果相关(即，汽车实际上行驶于道路A上)。
现在参考大量关于数据收集/处理的观察(这些观察提供一些处理的基础和/或各种实施例的优点)：(a)探测车辆在时间和空间维度都是不平衡的；(b)由GPS设备引起的不确定性影响了TCI(见，图5A(示出桥上没有信号)，图5B(示出穿越湖底隧道并在离开隧道后返回穿越大街)，图5C(示出缺失的连接)，图5D(示出了GPS的“漂移”(即无法获得高准确度固定))；(c)GPS信号通常是不稳定的并且可以受到很多因素的影响(例如天气条件、高的建筑物、高架道路、隧道、桥梁)；(d)GPS信号错误和中断是无处不在的(在此，注意到，例如GPS信号可能(如上面所提到的)“漂移”；和/或给定道路上可能丢失GPS信号(例如GPS信号可能在地下通道或隧道中丢失))；(e)地图匹配中的不确定性可能由特定类型的曲线相似度计算进行测量；(f)在可变滑动窗口中的轨迹长度和形状是有影响的(见，如图6A到6D，示出了各种轨迹601、603、605和607的长度和形状)。
现在参考图7、8和9，示出了按照一个实施例的与形状数量信息有关的示例性实施例(即这些附图与如何对给定曲线计算形状信息相关)。如所示(见图7)，假定具有权重m的假设小球801沿着给定轨迹以匀速v运行。要以速度v移动重量m所消耗的最小能量数量可以作为形状信息数量(即随着更高数量的能量的需求增加，形状信息数量也在增加)。还见图8示出了图7所示的曲线的数学表达；还见图9示出了与图8的数学表达相关的特定等式。进一步，如上所述，图3中的可变滑动窗口分割器101包括优化引擎(或优化器)301B以分割原始GPS数据的长序列到多个滑动窗口(其中所有窗口的形状信息数量最大化)。在此(即有关“如何用可变窗口分割器最大化所有形状信息数量？”)，注意到可以使用特定类型的优化器以发现最佳滑动窗口切割计划，例如，使用关于每个窗口最小长度，在线计算的延迟要求(不应该太长)，拥堵报告间隙(通常5到10分钟)等约束条件，使得形状信息数量对于所有滑动窗口而言最大化。进一步(再次参考图1)，可能在可变滑动窗口分割器(VSWD)和地图匹配器(MM)之间存在反馈机制，其中VSWD输出滑动窗口的分割计划到MM，然后如果MM发现在某些滑动窗口中存在高竞争性的替换轨迹，MM要求VSWD调整分割计划。
现在参考图10，描述了现有曲线相似度确定方法。在一个具体例子中，可以在此处描述的地图匹配过程中利用现有曲线相似度确定方法。
现在参考图11，描述了现有的Fréchet距离确定方法。在一个具体例子中，可以在此处描述的地图匹配过程中利用现有Fréchet距离确定方法。
现在参考图12A和12B，图12A描述了有关示例性交通拥堵指数计算的示意图，图12B描述了示例性交通拥堵指数输出的地图。更具体的，如图12A所示，在此例中，交通拥堵指数可以被定义为对于每个路段而言0到10之间的值(例如当TCI＝1时，你可以尽可能快的开车，当TCI＝8时，你将会减慢2倍(相对于TCI＝0而言))。进一步，见图12B，地图1200可能将每个道路按照相关的TCI进行颜色标注。
现在参考图13，示出了按照一个实施例的计算交通拥堵指数的示例。如所示的，在数据清洗步骤1301中，原始GPS数据被“清洗”。然后在步骤1303，被清洗的数据被提供给可变滑动窗口分割器以产生大量可变滑动窗口(此步骤可以在执行时考虑长度、形状和噪声；进一步此步骤的执行可以与延迟要求相关；更进一步此步骤的执行可以与拥堵报告间隔(例如5到15分钟)相关)。然后在步骤1305，接收步骤1303的输出以进行地图匹配(此步骤1305可以被执行以匹配原始GPS数据到各种道路路段)。在步骤1305，每个路段可以与大量匹配的轨迹相关。进一步，数据被从步骤1305馈送到步骤1303。此外，步骤1305的数据被提供给步骤1307，1307是确定地图匹配置信度的过程。在步骤1307所接收的还可以是：(a)步骤1309的信息，与数据源的特定不确定性(例如空驶的出租车可能有意的减慢速度(例如为了搭乘路人)相关；公共汽车在大量位置停车(如搭载和/或卸载乘客))；和/或(b)来自步骤1311的信息，与高速证据相关(例如某些车辆移动很快但是其他车辆可能慢速移动)。在任何情况下，在步骤1307的地图匹配置信度确定过程可能计算：(a)原始GPS轨迹和匹配的道路路段轨迹的相似性；和/或(b)信号稳定型(平滑度)。进一步，地图匹配置信度确定步骤1307的输出可以被提供给(作为新的输入)步骤1313，与多个探测车辆的数据融合相关。如果只有少量探测车辆(低置信度)，步骤1313可以调整TCI结果。在此，越多的探测车辆被引入，置信度越高。此外，可以使用求解器来求解多个探测车辆的冲突。最后TCI可以被从步骤1313提供给智能手机1315(当然，TCI也可以(或替代的)被提供给其它的所需的设备)。
仍然参考图13，有关步骤1301，GPS采样序列中的明显错误将被消除(例如与大多数其它GPS点距离1000km远，例如来自1949年或2046年的数据的时间戳错误等)。与步骤1309相关，注意到交通拥堵的原则是使用从很多不同种类的车辆，例如出租车、公共汽车、卡车、私家轿车等采样的数据(GPS、时间、速度、航向等)。在此，存在数据源的特定不确定性(例如空驶的出租车通常行驶缓慢以吸引乘客)。因此，从出租车获得的采样数据并不代表拥堵。相似的，公共汽车也会停车以让乘客上下车，而不表示道路拥堵。关于步骤1311(有关高速证据)，注意到，例如，可以接收来自两辆车的采样数据，指示他们行驶在同一道路路段上。然而，数据显示一辆车行驶的非常快，而另一辆车行驶的非常慢。在这种情况下，如何决定这条道路路段的交通拥堵数量？也就是说，拥堵或不拥堵？这类不确定性可以被叫做高速证据，意味着来自表明车辆可以在道路上快速运行的证据。可以假设高速证据是正确的，而低速结果是由其他个人原因一起的(例如接听电话)。
正如此处所描述的那样，交通拥堵指数可以考虑置信度值。具体的，在一个例子中，交通拥堵指数表示每个道路路段上在过去的5到15分钟内的交通拥堵的平均水平。这意味着行驶在道路路段上的所有的车辆在过去的5到15分钟内可以贡献到TCI中。TCI的一个示例性实现是所有车辆的平均行驶时间/速度。没有地图匹配置信度值，可以通常的假设每个车辆是同等重要的。然而，按照各种实施例，提供了测量置信度值的方法，其中某些车辆实际上并没有行驶在特定道路上(例如，对于来自20个低置信度车辆的数据，这些数据(低置信度)可以被忽略或附加权重结果，而不是取得平均结果)。
如此处所述，可以基于置信度(不确定性的测量)调整TCI。如上所述，交通拥堵指数的原则是使用从很多不同种类的车辆(探测)，如出租车、公共汽车、卡车、私家轿车等采样的数据(GPS、时间、速度、航向等)。探测车辆在时间和空间维度是不平衡的(例如没有探测车辆整天都在城郊道路上行驶；少量探测车辆在特定时间段行驶在城市道路上)。于此，可以考虑下列情形：(a)如果仅从道路上的一个车辆接收采样数据，如果地图匹配置信度很低，报告道路上的交通状况未知；如果从很多车辆接收采样数据，信任高置信度数据(也考虑上面讨论的高速证据)。
现在参考图14，示出了产生基于不确定性的交通拥堵指数的方法。如图14所示，本实施例的方法包括：在步骤1401，由处理器获得多个GPS数据点；在步骤1403由处理器分割多个GPS数据点到多个可变滑动窗口，其中分割最大化多个可变滑动窗口的每个的形状信息数量；在步骤1405在GPS数据点已经被所述分割分割后，由处理器执行在多个GPS数据点上的地图匹配过程；在1407，由处理器计算指示地图匹配过程的置信度值；在步骤1409，由处理器产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。
现在参考图15，系统1500提供基于不确定性的交通拥堵指数。系统可以包括处理器(未示出)；存储计算机可读指令的存储器，计算机可读指令当在处理器上执行时实现：获得元件1501被配置为获得多个GPS数据点；分割元件1503被配置为分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；执行元件1505被配置为当所述GPS数据点已经被所述分割分割，在多个GPS数据点上执行地图匹配过程；计算元件1507被配置为计算指示地图匹配过程的置信度值；产生元件1509被配置为产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的；以及输出元件1511被配置为输出交通拥堵指数。
在一个例子中，图15的各种组件间的通信可以是双向的。在另外一个例子中，可以通过因特网、内部网、局域网、广域网和/或其它需要的通信渠道执行通信。在另一个例子中，每个组件可以可操作的连接到每个其它组件上。在另一个例子中，可以在图16所示的计算机系统类型中实现一些或所有的组件。
现在参考图16，描述了按照本发明的一个实施例的计算机系统1600的硬件配置。如所示，该硬件配置至少具备一个处理器和中央处理单元(CPU)1611。CPU1611通过系统总线1612互联到随机存取存储器(RAM)1614，只读内存(ROM)1616，输入/输出(I/O)适配器1618(用于连接如磁盘单元1621和磁带驱动1640的外围设备到总线1612)，用户接口适配器1622(用于连接键盘1624、鼠标1626、扬声器1628、麦克风1632，和/或其它用户接口设备到总线1612)，通信适配器1634用于连接系统1600到数据处理网络，互联网、内部网、局域网(LAN)等，并且显示器适配器1636连接总线1612到显示设备1638和/或打印机1639(如电子打印机或相似的)。
如此处所述，提供一种机制以利用不确定性测量作为输入来计算交通拥堵指数。在一个示例中，不确定性计算作为GPS预处理步骤的输出。在一个具体的例子中，不确定性测量是基于计算多个滑动窗口中的每个的轨迹的形状信息数量进行的(其中原始GPS数据的长序列被分割到多个滑动窗口已进行地图匹配)。在另一个具体的例子中，不确定性测量是基于利用原始GPS数据以确定信号稳定性，评估每个轨迹的形状的连续性和平滑度进行的。
如此处描述的，提供机制以为挖掘原始数据带来的不确定性(例如，基于地图匹配置信度和数据融合)，以评估信号源是否足够准确能提供交通拥堵指数。
如此处所描述的，提供机制，以通过考虑从探测车辆(例如以GPS数据的形式)收集的交通数据的置信度水平，提高交通拥堵指数评估的准确性。可以通过基于GPS数据(使用独到见解——交通拥堵指数评估相当受地图匹配准确性的影响)的地图匹配结果的置信度评估确定置信度水平。在此例中，不确定性从GPS传感器中读出(GPS有位置错误和采样错误，其中来自实际轨迹的GPS跟踪数据的偏移可能很难避免)。
如此处所述，提供机制以供同一机构进行数据处理和TCI计算。
如此处所述，提供机制向地图匹配过程添加新输出(不确定性测量)。因此，在TCI计算阶段，可以在一个低置信度状况调整TCI。此外，当从不同探测车辆接收多个数据时可以解决冲突。
在另一个实施例中，例如，通过管理不确定性，来自空驶出租车的数据在TCI计算中是有用的(在传统的解决方案中，来自空驶出租车的数据典型的被整个删除)。
在另一个例子中，显示地图使得其颜色根据交通拥堵指数结果逐渐改变，所述交通拥堵指数结果由于交通拥堵在道路网络中逐渐扩散而改变。
如此处所描述的，提供了各种机制以匹配GPS序列分段(在滑动窗口内)到路网的轨迹上(其中可能存在多个替代性轨迹)。进一步，如果给定GPS序列具有很少数量的形状信息，置信度的低测量值可以被分配给地图匹配结果。
现在参考图17A和17B，示出了有关通过管理不确定性可以最小化心理落差的实施例的示意图。更具体的，如上面所描述的，TCI可以基于置信度(不确定性的测量)进行调整。如果，例如，本公开各种实施例被应用到应用(“app”)(如GOOGLE地图)，可以进行与用户体验有关的的心理落差的定义。该定义表示用户的期待和app提供的交通信息之间的差距(满意还是不满意)。例如，对于图17A(其中有仅来自一个探测车辆1700的数据)，取决于所报告的交通拥堵指数，可以产生各种程度的心理落差(1701A-1701F)。进一步地，对于图17B(其中有许多探测车辆1750)，可以考虑各种因素1760A-1760D来将所报告的交通拥堵指数更紧密地匹配到道路上的实际交通水平。
在一个实施例中，提供计算机实现的方法以产生基于不确定性的交通拥堵指数，此方法包括：由处理器获得多个GPS数据点；由处理器分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；当所述GPS数据点已经被所述分割分割，由处理器在多个GPS数据点上执行地图匹配过程；由处理器计算指示地图匹配过程的置信度值；以及由处理器产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。
在一个例子中，所述方法进一步包括由处理器输出交通拥堵指数。
在另一个例子中，分割产生至少具备第一时间跨度的第一可变滑动窗口，和具备第二时间跨度的第二可变滑动窗口，其中第一时间跨度与第二时间跨度不同。
在另一个例子中，为多个可变滑动窗口中的每个执行地图匹配过程。
在另一个例子中，计算置信度包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的轨迹的连续性量。
在另一个例子中，计算置信度值包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的轨迹的平滑度量。
在另一个例子中，计算置信度值包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的轨迹的曲线相似度。
在另一个例子中，曲线相似度是与数字地图上的道路相关的进行计算的。
在另一个例子中，曲线相似度是由确定弗雷歇距离进行计算的。
在另一个例子中，多个GPS数据点由多个探测车辆获得。
在另一个实施例中，提供了计算机可读存储介质，有形的实现由计算机执行的程序指令以产生基于不确定性的交通拥堵指数，在执行程序指令的时候，执行下列步骤：获得多个GPS数据点；分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；当所述GPS数据点已经被所述分割分割，在多个GPS数据点上执行地图匹配过程；计算指示地图匹配过程的置信度值；以及产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。
在一个例子中，程序指令在执行的时候，执行输出交通拥堵指数。
在另一个例子中，分割产生至少具有第一时间跨度的可变滑动窗口和具有第二时间跨度的可变滑动窗口，其中第一时间跨度和第二时间跨度不同。
在另一个例子中，地图匹配过程为多个滑动窗口中的每个执行。
在另一个例子中：计算置信度值包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的曲线相似度；曲线相似度是与数字地图上的道路相关的计算的；并且曲线相似度通过确定弗雷歇距离计算的。
在另一个实施例中，提供了计算机实现的系统，以产生基于不确定性的交通拥堵指数，系统包括：处理器；存储计算机可读指令的存储器，计算机指令当在处理器上执行时实现：获得元件，被配置为获得多个GPS数据点；分割元件，被配置为分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；执行元件，被配置为当所述GPS数据点已经被所述分割分割，在多个GPS数据点上执行地图匹配过程；计算元件，被配置为计算指示地图匹配过程的置信度值；产生元件，被配置为产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的；以及输出元件，被配置为输出交通拥堵指数。
在一个例子中，输出单元被配置为以地图形式输出交通拥堵指数。
在另一个例子中，分割产生至少具有第一时间跨度的第一可变滑动窗口和具有第二时间跨度的可变滑动窗口，其中第一时间跨度和第二时间跨度是不同的。
在另一个例子中，为多个可变滑动窗口的每个执行地图匹配过程。
在另一个例子中，输出元件被配置为输出交通拥堵指数到至少下列各项之一：(a)显示器；(b)硬拷贝打印机；(c)数据存储设备；以及(d)其组合。
在其它例子中，此处描述的任何步骤可以被用来以适合的顺序执行。
本发明可以是一种系统，方法，和/或计算机程序产品。计算机程序产品可能包括具备计算机可读程序上的指令的计算机可读存储介质(或媒介)，从而可以引起处理器执行本发明的各个方面。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (20)

1.一种用于产生基于不确定性的交通拥堵指数的计算机实现的方法，包括：
由处理器获得多个GPS数据点；
由处理器分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；
当GPS数据点已经被所述分割分割，由处理器在多个GPS数据点上执行地图匹配过程；
由处理器计算指示地图匹配过程的置信度值；以及
由处理器产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。
2.如权利要求1所述的方法，进一步包括由处理器输出交通拥堵指数。
3.如权利要求1所述的方法，其中分割至少产生具备第一时间跨度的第一可变滑动窗口，和具备第二时间跨度的第二可变滑动窗口，其中第一时间跨度与第二时间跨度不同。
4.如权利要求1所述的方法，其中为多个可变滑动窗口中的每个执行地图匹配过程。
5.如权利要求1所述的方法，其中计算置信度值包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的轨迹的连续性量。
6.如权利要求1所述的方法，其中计算置信度值包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的轨迹的平滑度量。
7.如权利要求1所述的方法，其中计算置信度值包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的轨迹的曲线相似度。
8.如权利要求7所述的方法，其中曲线相似度是与数字地图上的道路相关地进行计算的。
9.如权利要求7所述的方法，其中曲线相似度是由确定弗雷歇距离进行计算的。
10.如权利要求1所述的方法，其中多个GPS数据点由多个探测车辆获得。
11.一种存储在计算机可读存储介质上的计算机程序产品，包括产生基于不确定性的交通拥堵指数的计算机程序，所述计算机程序在被计算机执行时，使得所述计算机执行下列步骤：
获得多个GPS数据点；
分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；
当所述GPS数据点已经被所述分割分割，在多个GPS数据点上执行地图匹配过程；
计算指示地图匹配过程的置信度值；以及
产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的。
12.权利要求11的计算机程序产品，其中程序在执行的时候，执行输出交通拥堵指数。
13.权利要求11的计算机程序产品，其中分割至少产生具有第一时间跨度的可变滑动窗口和具有第二时间跨度的可变滑动窗口，其中第一时间跨度和第二时间跨度不同。
14.权利要求11的计算机程序产品，其中地图匹配过程为多个滑动窗口中的每个执行。
15.如权利要求11的计算机程序产品，其中：
计算置信度值包括：为每个可变滑动窗口中的每个形状，评估与多个GPS数据点相关的曲线相似度；
曲线相似度是与数字地图上的道路相关地计算的；并且
曲线相似度通过确定弗雷歇距离计算的。
16.一种用于产生基于不确定性的交通拥堵指数的计算机实现的系统，该系统包括：
处理器；以及
存储计算机程序的存储器，计算机程序当在处理器上执行时实施：
获得元件，被配置为获得多个GPS数据点；
分割元件，被配置为分割多个GPS数据点到多个可变滑动窗口，其中所述分割最大化多个可变滑动窗口中的每个的形状信息数量；
执行元件，被配置为当所述GPS数据点已经被所述分割分割，在多个GPS数据点上执行地图匹配过程；
计算元件，被配置为计算指示地图匹配过程的置信度值；
产生元件，被配置为产生交通拥堵指数，其中交通拥堵指数是考虑到计算出的指示地图匹配过程的置信度值而产生的；以及
输出元件，被配置为输出交通拥堵指数。
17.如权利要求16所述的系统，其中输出单元被配置为以地图形式输出交通拥堵指数。
18.如权利要求16所述的系统，其中分割至少产生具有第一时间跨度的第一可变滑动窗口和具有第二时间跨度的可变滑动窗口，其中第一时间跨度和第二时间跨度是不同的。
19.如权利要求16所述的系统，其中为多个可变滑动窗口的每个执行地图匹配过程。
20.如权利要求16所述的系统，其中输出元件被配置为输出交通拥堵指数到至少下列各项之一：(a)显示器；(b)硬拷贝打印机；(c)数据存储设备；以及(d)其组合。
CN201611010212.3A 2015-12-17 2016-11-16 产生基于不确定性的交通拥堵指数的方法、介质和系统 Active CN106960568B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/972,621 2015-12-17
US14/972,621 US9824580B2 (en) 2015-12-17 2015-12-17 Method, computer readable storage medium and system for producing an uncertainty-based traffic congestion index

Publications (2)

Publication Number Publication Date
CN106960568A true CN106960568A (zh) 2017-07-18
CN106960568B CN106960568B (zh) 2019-08-09

Family

ID=58994320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611010212.3A Active CN106960568B (zh) 2015-12-17 2016-11-16 产生基于不确定性的交通拥堵指数的方法、介质和系统

Country Status (4)

Country Link
US (1) US9824580B2 (zh)
JP (1) JP6807225B2 (zh)
CN (1) CN106960568B (zh)
DE (1) DE102016225243A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073700A (zh) * 2017-12-12 2018-05-25 清华大学 一种基于滑动窗口的数据可视化方法和系统
CN108073697A (zh) * 2017-12-11 2018-05-25 浙江大学 一种降低和展现流式大数据不确定性的系统
CN109214827A (zh) * 2018-09-26 2019-01-15 蜜小蜂智慧（北京）科技有限公司 一种识别车辆刷单骗补行为的方法和装置
CN109919518A (zh) * 2019-03-29 2019-06-21 百度在线网络技术（北京）有限公司 地图轨迹匹配数据的质量确定方法、装置、服务器及介质
CN110428621A (zh) * 2019-07-30 2019-11-08 山东交通学院 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN111413958A (zh) * 2018-12-18 2020-07-14 北京航迹科技有限公司 用于确定自动驾驶中的驾驶路径的系统和方法
CN111462015A (zh) * 2020-04-08 2020-07-28 Oppo广东移动通信有限公司 地图轨迹的处理方法、装置、电子设备及存储介质
CN111696343A (zh) * 2019-03-12 2020-09-22 北京嘀嘀无限科技发展有限公司 一种轨迹数据处理方法及装置
CN112785841A (zh) * 2020-12-25 2021-05-11 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置
CN113167590A (zh) * 2018-11-30 2021-07-23 宝马股份公司 用于地图匹配的系统和方法
CN114898342A (zh) * 2022-07-15 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 行驶中非机动车驾驶员接打电话的检测方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428338B (zh) * 2017-02-15 2021-11-12 阿里巴巴集团控股有限公司 交通路况分析方法、装置以及电子设备
CN108510008B (zh) * 2018-04-11 2021-05-14 国交空间信息技术（北京）有限公司 一种基于浮动车轨迹点空间关系和分布的路网提取方法
CN109143291B (zh) * 2018-06-29 2020-10-16 长安大学 一种车载gps轨迹空间索引精确匹配方法
CN108922209B (zh) * 2018-07-20 2021-06-04 江苏永诚交通集团有限公司 一种云智能交通信号灯系统
SG11201811192WA (en) * 2018-10-16 2020-05-28 Beijing Didi Infinity Technology & Development Co Ltd A system to optimize scats adaptive signal system using trajectory data
US11187542B2 (en) 2019-02-26 2021-11-30 Here Global B.V. Trajectory time reversal
DE102020202964A1 (de) * 2020-03-09 2021-09-09 Continental Automotive Gmbh Die Erfindung betrifft ein Verfahren zur Erhöhung der Sicherheit von Fahrfunktionen.
CN112700643A (zh) * 2020-12-21 2021-04-23 北京百度网讯科技有限公司 输出车辆流向的方法、装置、路侧设备以及云控平台
CN115326085A (zh) * 2022-08-17 2022-11-11 安徽蔚来智驾科技有限公司 地图匹配方法、控制装置、可读存储介质及车辆

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004048479A (ja) * 2002-07-12 2004-02-12 Kddi Corp 共有化された暗号化情報の暗号鍵管理方法
CN101127159A (zh) * 2007-09-18 2008-02-20 中国科学院软件研究所 基于网络受限移动对象数据库的交通流数据采集与分析
CN102024325A (zh) * 2010-12-23 2011-04-20 福建工程学院 基于浮动车技术的交通堵塞点识别方法
CN102163225A (zh) * 2011-04-11 2011-08-24 中国科学院地理科学与资源研究所 一种基于微博客收集的交通信息融合评价方法
US20120244889A1 (en) * 2011-03-25 2012-09-27 Kyocera Corporation Mobile electronic device and method
CN102819954A (zh) * 2012-08-28 2012-12-12 南京大学 交通区域动态地图监控预测系统
CN102956105A (zh) * 2012-11-01 2013-03-06 福建工程学院 一种浮动车样本点数据插值的方法
CN104021672A (zh) * 2014-06-09 2014-09-03 北京世纪高通科技有限公司 一种获取交通拥堵指数的方法和装置
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
US20140358322A1 (en) * 2013-06-01 2014-12-04 Faroog Ibrahim System and Method for Map Matching
CN104463909A (zh) * 2014-11-28 2015-03-25 北京交通大学长三角研究院 基于信度组合地图模型的视觉目标跟踪方法
US20150170514A1 (en) * 2013-12-13 2015-06-18 Here Global B.V. Systems and Methods for Detecting Road Congestion and Incidents in Real Time

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001141467A (ja) * 1999-11-15 2001-05-25 Equos Research Co Ltd データベース修正装置及びデータベース修正方法
JP3849435B2 (ja) * 2001-02-23 2006-11-22 株式会社日立製作所 プローブ情報を利用した交通状況推定方法及び交通状況推定・提供システム
JP2004342138A (ja) * 2004-09-09 2004-12-02 Matsushita Electric Ind Co Ltd ビーコンを用いたｆｃｄシステムと装置
JP4807057B2 (ja) * 2005-12-05 2011-11-02 株式会社デンソー 車両用ナビゲーション装置
JP5481557B2 (ja) * 2010-06-29 2014-04-23 本田技研工業株式会社 渋滞予測方法
US8892345B2 (en) * 2011-04-08 2014-11-18 Here Global B.V. Trend based predictive traffic
US9057622B2 (en) * 2012-02-08 2015-06-16 Here Global B.V. Method and system for routing using uncertainty data
CA2905503C (en) * 2013-03-14 2021-08-24 Sirius Xm Radio Inc. High resolution encoding and transmission of traffic information
US20150354973A1 (en) * 2013-03-15 2015-12-10 Hewlett-Packard Development Company, L.P. Map matching
CN103280098B (zh) 2013-05-23 2015-06-10 北京交通发展研究中心 交通拥堵指数计算方法
CN103366557B (zh) 2013-07-25 2016-06-22 北京交通发展研究中心 基于拥堵指数的交通拥堵评价方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004048479A (ja) * 2002-07-12 2004-02-12 Kddi Corp 共有化された暗号化情報の暗号鍵管理方法
CN101127159A (zh) * 2007-09-18 2008-02-20 中国科学院软件研究所 基于网络受限移动对象数据库的交通流数据采集与分析
CN102024325A (zh) * 2010-12-23 2011-04-20 福建工程学院 基于浮动车技术的交通堵塞点识别方法
US20120244889A1 (en) * 2011-03-25 2012-09-27 Kyocera Corporation Mobile electronic device and method
CN102163225A (zh) * 2011-04-11 2011-08-24 中国科学院地理科学与资源研究所 一种基于微博客收集的交通信息融合评价方法
CN102819954A (zh) * 2012-08-28 2012-12-12 南京大学 交通区域动态地图监控预测系统
CN102956105A (zh) * 2012-11-01 2013-03-06 福建工程学院 一种浮动车样本点数据插值的方法
US20140358322A1 (en) * 2013-06-01 2014-12-04 Faroog Ibrahim System and Method for Map Matching
US20150170514A1 (en) * 2013-12-13 2015-06-18 Here Global B.V. Systems and Methods for Detecting Road Congestion and Incidents in Real Time
CN104021672A (zh) * 2014-06-09 2014-09-03 北京世纪高通科技有限公司 一种获取交通拥堵指数的方法和装置
CN104021672B (zh) * 2014-06-09 2016-09-07 北京世纪高通科技有限公司 一种获取交通拥堵指数的方法和装置
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN104463909A (zh) * 2014-11-28 2015-03-25 北京交通大学长三角研究院 基于信度组合地图模型的视觉目标跟踪方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073697B (zh) * 2017-12-11 2020-10-23 浙江大学 一种降低和展现流式大数据不确定性的系统
CN108073697A (zh) * 2017-12-11 2018-05-25 浙江大学 一种降低和展现流式大数据不确定性的系统
CN108073700A (zh) * 2017-12-12 2018-05-25 清华大学 一种基于滑动窗口的数据可视化方法和系统
CN109214827A (zh) * 2018-09-26 2019-01-15 蜜小蜂智慧（北京）科技有限公司 一种识别车辆刷单骗补行为的方法和装置
CN113167590A (zh) * 2018-11-30 2021-07-23 宝马股份公司 用于地图匹配的系统和方法
CN111413958B (zh) * 2018-12-18 2021-09-24 北京航迹科技有限公司 用于确定自动驾驶中的驾驶路径的系统和方法
CN111413958A (zh) * 2018-12-18 2020-07-14 北京航迹科技有限公司 用于确定自动驾驶中的驾驶路径的系统和方法
CN111696343A (zh) * 2019-03-12 2020-09-22 北京嘀嘀无限科技发展有限公司 一种轨迹数据处理方法及装置
CN109919518B (zh) * 2019-03-29 2021-08-03 百度在线网络技术（北京）有限公司 地图轨迹匹配数据的质量确定方法、装置、服务器及介质
CN109919518A (zh) * 2019-03-29 2019-06-21 百度在线网络技术（北京）有限公司 地图轨迹匹配数据的质量确定方法、装置、服务器及介质
CN110428621A (zh) * 2019-07-30 2019-11-08 山东交通学院 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN111462015A (zh) * 2020-04-08 2020-07-28 Oppo广东移动通信有限公司 地图轨迹的处理方法、装置、电子设备及存储介质
CN112785841A (zh) * 2020-12-25 2021-05-11 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置
CN112785841B (zh) * 2020-12-25 2022-05-06 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置
CN114898342A (zh) * 2022-07-15 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 行驶中非机动车驾驶员接打电话的检测方法
CN114898342B (zh) * 2022-07-15 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 行驶中非机动车驾驶员接打电话的检测方法

Also Published As

Publication number Publication date
JP6807225B2 (ja) 2021-01-06
US20170178499A1 (en) 2017-06-22
DE102016225243A1 (de) 2017-06-22
JP2017111813A (ja) 2017-06-22
US9824580B2 (en) 2017-11-21
CN106960568B (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN106960568B (zh) 产生基于不确定性的交通拥堵指数的方法、介质和系统
Gal et al. Traveling time prediction in scheduled transportation with journey segments
CN109754594B (zh) 一种路况信息获取方法及其设备、存储介质、终端
EP2727098B1 (en) Method and system for collecting traffic data
CN107945507A (zh) 行程时间预测方法及装置
RU2718974C2 (ru) Система и способ для пассивных платежей на основе определения местоположения
Ciancia et al. Data verification for collective adaptive systems: spatial model-checking of vehicle location data
Liu et al. Bustime: Which is the right prediction model for my bus arrival time?
CN110675631A (zh) 一种交通流溯源分析方法及系统
JP7295106B2 (ja) 軌道ネットワーク内でのナビゲートのためのシステムおよび方法
Richly et al. Predicting location probabilities of drivers to improved dispatch decisions of transportation network companies based on trajectory data
Heshami et al. A stochastic microscopic based freeway traffic state and spatial-temporal pattern prediction in a connected vehicle environment
Anna et al. Determinants of speed variability on the horizontal curves of two-lane undivided rural highways passing through mountainous terrain
CN110599768A (zh) 一种基于电信大数据的高速公路车流估计方法
Ásmundsdóttir Dynamic OD matrix estimation using floating car data
Saunier et al. Comparing data from mobile and static traffic sensors for travel time assessment
Reich et al. Bus journey simulation to develop public transport predictive algorithms
AU2020438051A1 (en) Resource operation planning assistance apparatus and resource operation planning assistance method
Azizi Freeway Performance Measurement in a Connected Vehicle Environment Utilizing Traffic Disturbance Metrics
Zhou et al. Urban Rail Transit Train Dwell Time Analysis Based on Random Forest Algorithm: A Case Study on the Beidajie Station of the Xi’an Metro in China
Brunauer et al. Network-wide link flow estimation through probe vehicle data supported count propagation
CN113762347B (zh) 一种滑动门门体健康度评估方法及装置
CN112348230B (zh) 一种地铁乘客出行路径识别方法
van der Loopa et al. Validation and usability of floating car data for transportation policy research
Silva et al. Visual Analysis of Multivariate Urban Traffic Data Resorting to Local Principal Curves.

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
GR01 Patent grant
GR01 Patent grant