CN107123276A - 利用低抽样率gps数据的交叉口车辆排队长度估算方法 - Google Patents
利用低抽样率gps数据的交叉口车辆排队长度估算方法 Download PDFInfo
- Publication number
- CN107123276A CN107123276A CN201710514443.6A CN201710514443A CN107123276A CN 107123276 A CN107123276 A CN 107123276A CN 201710514443 A CN201710514443 A CN 201710514443A CN 107123276 A CN107123276 A CN 107123276A
- Authority
- CN
- China
- Prior art keywords
- point
- vehicle
- queuing
- intersection
- time
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用低抽样率GPS数据的交叉口车辆排队长度估算方法，利用极低抽样率的GPS数据进行交叉口排队长度的估算，作为交叉口信号配时进行优化的依据，对交叉口运行状态进行估计；通过车辆的轨迹点速度及加速度特征，寻找车辆的排队起始点和排队终止点，结合周期的红灯开始及结束时刻，通过交通波理论及曲线拟合理论估计车辆的排队集结波和排队消散波，通过集结波和消散波的交点来确定交叉口的车辆排队长度；即利用车辆轨迹点的速度大小特征，寻找可能排队关键点和非排队关键点，然后分析可能排队关键点的加速度值的特征，通过可能排队关键点的加速度值特征，寻找排队起始点和排队终止点。
Description
技术领域
本发明属于智能交通领域，涉及一种在非饱和交叉口利用低抽样率的车辆GPS轨迹数据来估算交叉口的车辆排队长度方法。
背景技术
随着智能手机及各类APP的大量普及应用，搭载GPS的智能手机设备可以高效获取手机的时空位置信息，即轨迹数据。相关出行服务的APP也成为人们交通出行的常用信息平台，为人们的出行提供便利，而部分出行服务的APP软件在后台不停地记录着其所在车辆的手机时空位置信息。如何利用智能手机产生的高频GPS车辆时空位置信息为交通行业的发展提供便利成为“互联网+”时代交通行业的研究重点。
城市交通在整个社会的经济发展中起着至关重要的作用，随着城市经济和社会发展的不断深入，交通基础建设资源供给的有限性与需求不断提升之间的矛盾，使得城市交通拥堵问题日益凸显，成为阻碍城市进一步发展的一大问题。信号交叉口作为城市交通的咽喉，是城市交通可以正常运行的关键。现有的部分交叉口信号控制系统通过运用埋设在交叉口停车线上游地面下的“流量检测器”设备来检测各车道的车辆流量，车辆速度等信息，从而优化交叉口的信号配时。“流量检测器”的布设安装使信号交叉口控制系统硬件损耗大，建设成本高，且后期人工维护困难，在“互联网+”时代背景下，这种硬件设备的布设急需变革。
针对上述问题，利用部分手机APP的驾驶员通过交叉口时的手机GPS轨迹数据，来估算整个交叉口各个进口道的排队长度，这类驾驶员占整个交叉口所有驾驶员比例为5～20％。从而利用排队长度对交叉口的信号配时进行优化，以替代原有信号控制系统检测车辆流量的“流量检测器”硬件设备，可以节省大量信号控制系统的建设、运营及维护成本，同时可对交叉口运行状态进行更加科学有效的估计。对交通行业的信息化、智能化发展具有重要的推动作用。
发明内容
1、发明目的。
本发明为了解决现有技术中硬件损耗大、建设成本高的问题，而提出了一种利用低抽样率GPS数据的交叉口车辆排队长度估算方法，利用交叉口低抽样率车辆GPS轨迹数据来进行非饱和交叉口所有车辆排队长度的估算。本发明采用低抽样率即所获取的车辆GPS数据占所有车辆的比例不超过20％，并且抽样的车辆GPS轨迹数据具有一定的时间间隔；非饱和交叉口即交叉口没有达到饱和状态，即所有通过交叉口的车辆最多只经历了一次排队过程。
2、本发明所采用的技术方案。
本发明提出的利用低抽样率GPS数据的交叉口车辆排队长度估算方法，按照如下步骤进行：
(1)在一个交叉口的周期时间内，提取交叉口任意一个进口道在低比例下的车辆GPS轨迹数据，通过车辆累积行驶的距离值，作出提取车辆的累积行驶距离曲线；
(2)排除轨迹中所有轨迹点速度均大于预设值Vmin的轨迹数据，剩余的轨迹数据即为周期内经历排队的车辆轨迹数据；
(3)对于抽取到的每辆车的轨迹数据，从速度小于Vmin的点位中初步判断排队关键点，小于Vmin为排队关键点，大于Vmin为非排队关键点；
(4)利用相邻轨迹点位的速度差和时间差计算某一车辆每个轨迹点上的加速度；
(5)判断所有的可能排队关键点的加速度，并按照时间序列排序，取可能排队关键点中的第一个轨迹点和最后一个轨迹点的加速度分别为和
第一个轨迹点小于等于预设加速度时，则认为该轨迹点为排队起始点；
第一个轨迹点大于预设加速度时，则按照时间序列向前依次取一个轨迹断点逐个判断，直至向前的第n(n为正整数)个轨迹点的加速度小于等于预设加速度时为止，此时认为轨迹点s-n为排队起始点；
最后一个轨迹点小于等于预设加速度时则认为该轨迹点是排队终止点；
最后一个轨迹点大于预设加速度时，则按照时间序列向后依次取一个轨迹断点逐个判断，直至向后的第m(m为正整数)个轨迹点的加速度小于等于预设加速度时为止，此时认为轨迹点ss+m为排队终止点；
(6)将通过交叉口所有车辆的轨迹数据中，抽取低比例的样本轨迹数据，利用样本数据中的类别II数据，进行本信号周期内红灯时间的排队长度估算；
(7)根据抽取不同的排队车辆数，利用交通波理论，来计算红灯时间内的车辆排队集结波；
(8)利用混合算法，来计算排队车辆的消散波；
(9)通过集结波和消散波来计算进口道的车辆排队长度；
(10)确定第一辆车的排队起始时间点为信号周期红灯开始时间，根据抽样车辆排队起始点坐标和信号周期红灯开始时间点线性拟合出一条直线作为集结波，利用混合算法，来计算排队车辆的消散波；
(11)当在某周期内红灯时间抽取的样本车辆数为1，当抽取的车辆为排队的第1辆车时，判断方法与第(4)步相同；当抽取的车辆为排队的不是第一辆车时判断方式与第(4)步不同；
(12)当在某周期没有抽到样本车辆时，此时本周期红灯时间的车辆排队长度采用前n个周期红灯时间排队长度均值或加权值，n可取1到10之间的任意整数。
更进一步具体实施方式中，所述的步骤(1)内，在一个交叉口的周期时间内，提取交叉口任意一个进口道在低比例抽样，比例范围为5％～20％。，比例范围为5％～20％。
更进一步具体实施方式中，所述的步骤(6)中，将通过交叉口所有车辆的轨迹数据中，抽取5％～20％的样本轨迹数据，利用样本数据中的类别II数据，进行本信号周期内红灯时间的排队长度估算，在每个红灯时间内，可能抽取到0辆、1辆、2辆或2辆以上的经历排队车辆，即每个周期内类别II轨迹数据的数目可能为0、1、2或2以上。
更进一步具体实施方式中，所述的步骤(7)中根据抽取不同的排队车辆数，利用交通波理论，来计算红灯时间内的车辆排队集结波，假设在某个红灯时间内抽取的车辆数为2辆或2辆以上，这里以3辆为例，设车辆编号分别为a,b,c,，可以得到3辆车的排队起始点时空坐标为设排队位次为Na，Nb，Nc，在这种情况下，当a车的排队位次Na＝1时，即车辆a为交叉口停车线前排队的第一辆车时，利用最小二乘法拟合3辆车的排队起始点时空点位坐标生成一条直线，称作集结波，判断车辆a是否为交叉口停车线前排队的第一辆车的方法为：当时，认为车a是排队的第一辆车，即距交叉口停车线距离不大于6m，当时，认为车a不是排队的第一辆车，即距交叉口停车线距离大于6m。
更进一步具体实施方式中，所述的步骤(10)当a车的排队位次不是交叉口排队的第一辆车时，则可以认为排队队列中的第一辆车的排队起始时间点为信号周期红灯开始时间，根据抽样车辆a,b,c排队起始点坐标和信号周期红灯开始时间点R2(tR2,X0+4l)线性拟合出一条直线作为集结波，利用混合算法，来计算排队车辆的消散波，如可以采用最小二乘法拟合3辆车的排队终止点的时空点位坐标生成一条直线，为消散波；或以消散波波速ω为斜率，通过点G2(tG2+2.3,X0+4l)作直线，为消散波，本信号周期红灯结束时间点为g2(tG2,X0+4l)，2.3为车辆反应和启动损失时间和的时间值，集结波与消散波交点为P2(tP2,dP2)，此红灯期间的车辆排队长度估算值即为X0+4l-dP2。
更进一步具体实施方式中，所述的步骤(11)中当在某周期内红灯时间抽取的样本车辆数为1时，假设其编号为f，又分为两种情况，当抽取的车辆为排队的第1辆车时，判断方法与第(5)步相同，以上一周期的集结波斜率值为斜率，通过车辆排队起始点作直线，为集结波，本信号周期红灯结束时间点为g3(tG3,X0+4l)，以消散波波速ω为斜率，通过点G3(tG3+2.3,X0+4l)作直线，为消散波，集结波与消散波交点为P3(tP3,dP3)，此红灯期间的车辆排队长度估算值即为X0+4l-dP3，当抽取的车辆不是排队的第一辆车时，通过车辆的排队起始点和本周期红灯开始时间点R4(tR4,X0+4l)作直线，为集结波，本信号周期红灯结束时间点为g4(tG4,X0+4l)，以消散波波速ω为斜率，通过点G4(tG4+2.3,X0+4l)作直线，为消散波，集结波和消散波的交点为P4(tP4,dP4)，此红灯期间的车辆排队长度估算值即为X0+4l-dP4。
3、本发明所产生的技术效果。
本发明利用抽样GPS轨迹来进行交叉口排队长度的估算，具有以下3点：
第1、本发明利用极低抽样率的GPS数据进行交叉口排队长度的估算，以此作为交叉口信号配时进行优化的依据，可以节省大量信号控制系统的建设、运营及维护成本，同时可对交叉口运行状态进行更加科学有效的估计。
第2、本发明中利用了交通波理论及曲线拟合理论估计车辆的排队集结波和消散波，即通过车辆的轨迹点速度及加速度特征，寻找车辆的排队起始点和排队终止点，结合周期的红灯开始及结束时刻，通过交通波理论及曲线拟合理论估计车辆的排队集结波和排队消散波，通过集结波和消散波的交点来确定交叉口的车辆排队长度。
第3、本发明中利用车辆的运动学方程确定车辆的几个关键时刻，即利用车辆轨迹点的速度大小特征，寻找可能排队关键点和非排队关键点，然后分析可能排队关键点的加速度值的特征，通过可能排队关键点的加速度值特征，寻找排队起始点和排队终止点。
附图说明
图1排队长度计算总流程图。
图2通过交叉口任意一个直行车道的所有车辆轨迹。
图3排队车辆的轨迹特征。
图4车辆轨迹中的可能排队关键点和非排队关键点识别。
图5车辆轨迹中的排队起始点和排队终止点识别。
图6交叉口直行车道抽样车辆轨迹和非抽样车辆轨迹(抽样率:15％)。
图7周期抽样车辆数为3且抽样第一辆车为第一辆排队车辆时的情况。
图8周期抽样车辆数为3且抽样第一辆车不是第一辆排队车辆时的情况。
图9周期抽样车辆数为1且抽样第一辆车是第一辆排队车辆时的情况。
图10周期抽样车辆数为1且抽样第一辆车不是第一辆排队车辆时的情况。
图11周期抽样车辆数为0时的情况。
图12具体实施方式中交叉口具体渠化及位置坐标示意。
图13具体实施方式中车辆轨迹。
图14具体实施方式中车辆轨迹的排队起始点和排队终止点。
图15具体实施方式中周期内的集结波消散波及其交点位置。
具体实施方式
下面结合附图对本发明的实施具体实施方式中作详细的说明，本实施具体实施方式中在本发明技术方案为前提下进行实施：
实施例1
本发明提出一种利用低抽样率GPS轨迹数据的非饱和信号交叉口车辆排队长度估算方法，按照如下步骤进行：
(1)在一个交叉口的周期时间内，提取交叉口任意一个进口道在一定比例(5％～20％)下的车辆GPS轨迹数据，通过车辆累积行驶的距离值，作出提取车辆的累积行驶距离曲线；
(2)排除轨迹中所有轨迹点速度均大于Vmin的轨迹数据，剩余的轨迹数据即为周期内经历排队的车辆轨迹数据；
(3)对于抽取到的每辆车的轨迹数据，从速度小于Vmin的点位中初步判断排队关键点，设车辆i在第j个轨迹点的速度为当时，确定轨迹点j为可能排队关键点，当时，判断轨迹点j为非排队关键点；
(4)利用相邻轨迹点位的速度差和时间差计算车辆i每个轨迹点j上的加速度
(5)判断所有的可能排队关键点的加速度并按照时间序列排序，为 取可能排队关键点中的第一个轨迹点s和最后一个轨迹点ss的加速度分别为和当时，则认为轨迹点s为排队起始点，当时，则按照时间序列向前取一个轨迹断点s-1判断的大小，若则继续向依次向前选取轨迹点，直至向前的第n(n为正整数)个轨迹点的加速度时为止，此时认为轨迹点s-n为排队起始点，当时，则认为轨迹点ss为排队终止点，当时，则按照时间序列向后取一个轨迹断点ss+1判断的大小，若则继续依次向后选取轨迹点，直至向后的第m(m为正整数)个轨迹点的加速度时为止，此时认为轨迹点ss+m为排队终止点；
(6)将通过交叉口所有车辆的轨迹数据中，抽取5％～20％的样本轨迹数据，利用样本数据中的类别II数据，进行本信号周期内红灯时间的排队长度估算，在每个红灯时间内，可能抽取到0辆、1辆、2辆或2辆以上的经历排队车辆，即每个周期内类别II轨迹数据的数目可能为0、1、2或2以上；
(7)根据抽取不同的排队车辆数，利用交通波理论，来计算红灯时间内的车辆排队集结波，假设在某个红灯时间内抽取的车辆数为2辆或2辆以上，这里以3辆为例，设车辆编号分别为a,b,c,，可以得到3辆车的排队起始点时空坐标为设排队位次为Na，Nb，Nc，在这种情况下，当a车的排队位次Na＝1时，即车辆a为交叉口停车线前排队的第一辆车时，利用最小二乘法拟合3辆车的排队起始点时空点位坐标生成一条直线，称作集结波，判断车辆a是否为交叉口停车线前排队的第一辆车的方法为：当时，认为车a是排队的第一辆车，即距交叉口停车线距离不大于6m，当时，认为车a不是排队的第一辆车，即距交叉口停车线距离大于6m；
(8)利用混合算法，来计算排队车辆的消散波，如可以采用最小二乘法拟合3辆车的排队终止点的时空点位坐标生成一条直线，为消散波，或以一般排队车辆的消散波波速ω为斜率，通过车辆a的排队终止点生成一条直线，为消散波；其中ω的计算方程为式(1)，
式中h为停车间距加车长，△t为排队车辆启动的时间间距，
(9)通过集结波和消散波来计算进口道的车辆排队长度，设集结波和消散波的交点为P1(tP1,dP1)，此红灯期间的车辆排队长度估算值即为X0+4l-dP1，单位为m，车辆排队长度估算值的单位为m；
(10)当a车的排队位次不是交叉口排队的第一辆车时，则可以认为排队队列中的第一辆车的排队起始时间点为信号周期红灯开始时间，根据抽样车辆a,b,c排队起始点坐标和信号周期红灯开始时间点R2(tR2,X0+4l)线性拟合出一条直线作为集结波，利用混合算法，来计算排队车辆的消散波，如可以采用最小二乘法拟合3辆车的排队终止点的时空点位坐标生成一条直线，为消散波；或以消散波波速ω为斜率，通过点G2(tG2+2.3,X0+4l)作直线，为消散波，本信号周期红灯结束时间点为g2(tG2,X0+4l)，2.3为车辆反应和启动损失时间和的时间值，集结波与消散波交点为P2(tP2,dP2)，此红灯期间的车辆排队长度估算值即为X0+4l-dP2；
(11)当在某周期内红灯时间抽取的样本车辆数为1时，假设其编号为f，又分为两种情况，当抽取的车辆为排队的第1辆车时，判断方法与第(4)步相同，以上一周期的集结波斜率值为斜率，通过车辆排队起始点作直线，为集结波，本信号周期红灯结束时间点为g3(tG3,X0+4l)，以消散波波速ω为斜率，通过点G3(tG3+2.3,X0+4l)作直线，为消散波，集结波与消散波交点为P3(tP3,dP3)，此红灯期间的车辆排队长度估算值即为X0+4l-dP3，如图9，当抽取的车辆不是排队的第一辆车时，通过车辆的排队起始点和本周期红灯开始时间点R4(tR4,X0+4l)作直线，为集结波，本信号周期红灯结束时间点为g4(tG4,X0+4l)，以消散波波速ω为斜率，通过点G4(tG4+2.3,X0+4l)作直线，为消散波，集结波和消散波的交点为P4(tP4,dP4)，此红灯期间的车辆排队长度估算值即为X0+4l-dP4；
(12)当在某周期没有抽到样本车辆时，此时本周期红灯时间的车辆排队长度采用前n个周期红灯时间排队长度均值或加权值，n可取1到10之间的任意整数。
实施例2
本发明首先车辆在通过交叉口时，若载有可以记录GPS轨迹数据的智能手机或其他定位设备，则可以记录的信息包括：用户ID号、经度、纬度、记录时刻、运动角度、速度等信息。
本发明利用车辆通过交叉口的时空轨迹点，来估算交叉口各进口道的车辆排队长度，具体方法流程图如图1所示。下面具体介绍每步骤的具体方法。
第1步：假设通过交叉口的所有车辆都载有可以记录GPS轨迹数据的手机，提取车辆每个时间点的经纬度信息，计算每个时间点的累积行驶距离，以交叉口停车线前一段距离X0为累积行驶距离零点。可得到经过交叉口任意一个进口道的每个时间点的累积行驶距离数据，即车辆轨迹数据，见图2，图2中以直行车道为例。图2中行驶距离至X0+4l位置即交叉口停车线位置。
第2步：对于所有的车辆轨迹，均存在两个如下特征，类别I是不存在经历排队状态的车辆，即其在通过交叉口的整个过程速度均高于Vmin(0m/s<Vmin≤10m/s)，其在图1中的轨迹接近平直。类别II车辆轨迹是在交叉口经历了排队过程的车辆，其至少有一个轨迹点的速度不高于Vmin，其轨迹的一般特征见图3。由于交叉口为非饱和交叉口，所以所有车辆最多只经历了一次排队过程。本发明针对类别II的车辆轨迹进行分析。
第3步：寻找排队车辆轨迹的可能排队关键点、非排队关键点、排队起始点、排队终止点。可能排队关键点指与车辆开始排队及结束排队相关的点，本发明中具体指速度不高于Vmin的轨迹点，非排队关键点为与车辆开始排队及结束排队相关的点，本发明中具体指速度高于Vmin的轨迹点。排队起始点为车辆开始排队的轨迹点，排队终止点为车辆结束排队的轨迹点。下面具体介绍寻找排队车辆轨迹的可能排队关键点、非排队关键点、排队起始点、排队终止点。
对于至少有一个轨迹点速度不高于Vmin的车辆轨迹，从速度小于Vmin的点位中初步判断排队关键点，设车辆i在第j个轨迹点的速度为当时，确定轨迹点j为可能排队关键点，当时，判断轨迹点j为非排队关键点，见图4。
利用相邻轨迹点位的速度差和时间差计算车辆i每个轨迹点j上的加速度如式(1)，其中t0为GPS提取轨迹点的时间间隔。
判断所有的可能排队关键点的加速度并按照时间序列排序，为 取可能排队关键点中的第一个轨迹点s和最后一个轨迹点ss的加速度分别为和当时，则认为轨迹点s为排队起始点。当时，则按照时间序列向前取一个轨迹断点s-1判断的大小，若则继续向依次向前选取轨迹点，直至向前的第n(n为正整数)个轨迹点的加速度 时为止。此时认为轨迹点s-n为排队起始点。当时，则认为轨迹点ss为排队终止点。当时，则按照时间序列向后取一个轨迹断点ss+1判断的大小，若则继续依次向后选取轨迹点，直至向后的第m(m为正整数)个轨迹点的加速度时为止。此时认为轨迹点ss+m为排队终止点。
当可能排队关键点中的第一个轨迹点s和最后一个轨迹点ss重合时，此时依然按照式(1)的过程进行计算，最终的排队起始点和排队终止点可能重合。
以图4的车辆轨迹为例，寻找的排队起始点和排队终止点如图5。
将通过交叉口所有车辆的轨迹数据中，抽取15％的样本轨迹数据，利用15％的样本数据中的类别II数据，进行本信号周期内红灯时间的排队长度估算，抽样轨迹数据和非抽样的轨迹数据如图5。在每个红灯时间内，可能抽取到0辆、1辆、2辆或2辆以上的经历排队车辆，即每个周期内类别II轨迹数据的数目可能为0、1、2或2以上。
第4步：根据抽取不同的排队车辆数，利用交通波理论，来计算红灯时间内的车辆排队集结波，假设在某个红灯时间内抽取的车辆数为2辆或2辆以上，这里以3辆为例，设车辆编号分别为a,b,c,则按照第五步，可以得到3辆车的排队起始点时空坐标为设排队位次为Na，Nb，Nc。在这种情况下，当a车的排队位次Na＝1时，即车辆a为交叉口停车线前排队的第一辆车时，利用最小二乘法拟合3辆车的排队起始点时空点位坐标生成一条直线，称作集结波。判断车辆a是否为交叉口停车线前排队的第一辆车的方法为：当时，认为车a是排队的第一辆车，即距交叉口停车线距离不大于6m，当时，认为车a不是排队的第一辆车，即距交叉口停车线距离大于6m。
第5步，利用混合算法，来计算排队车辆的消散波，如可以采用最小二乘法拟合3辆车的排队终止点的时空点位坐标生成一条直线，为消散波，或以一般排队车辆的消散波波速ω为斜率，通过车辆a的排队终止点生成一条直线，为消散波。其中ω的计算方程为式(2)。
式中h为停车间距加车长，△t为排队车辆启动的时间间距。
第6步，通过集结波和消散波来计算进口道的车辆排队长度，设集结波和消散波的交点为P1(tP1,dP1)，此红灯期间的车辆排队长度估算值即为X0+4l-dP1，单位为m，车辆排队长度估算值的单位为m，如图7。
当抽取的a车排队位次不是交叉口的排队的第一辆车时，或抽取的车辆数目为1辆时，依然按照第4步至第6步的内容，交通波理论及混合算法理论，来计算排队集结波，排队消散波及交叉口车辆排队长度，具体内容如下。
当a车的排队位次不是交叉口排队的第一辆车时，则可以认为排队队列中的第一辆车的排队起始时间点为信号周期红灯开始时间，根据抽样车辆a,b,c排队起始点坐标和信号周期红灯开始时间点R2(tR2,X0+4l)线性拟合出一条直线作为集结波。利用混合算法，来计算排队车辆的消散波，如可以采用最小二乘法拟合3辆车的排队终止点的时空点位坐标生成一条直线，为消散波；或以消散波波速ω为斜率，通过点G2(tG2+2.3,X0+4l)作直线，为消散波。本信号周期红灯结束时间点为g2(tG2,X0+4l)，2.3为车辆反应和启动损失时间和的时间值。集结波与消散波交点为P2(tP2,dP2)，此红灯期间的车辆排队长度估算值即为X0+4l-dP2，如图8。
当在某周期内红灯时间抽取的样本车辆数为1时，假设其编号为f，又分为两种情况，当抽取的车辆为排队的第1辆车时，判断方法与第(5)步相同。以上一周期的集结波斜率值为斜率，通过车辆排队起始点作直线，为集结波。本信号周期红灯结束时间点为g3(tG3,X0+4l)，以消散波波速ω为斜率，通过点G3(tG3+2.3,X0+4l)作直线，为消散波。集结波与消散波交点为P3(tP3,dP3)，此红灯期间的车辆排队长度估算值即为X0+4l-dP3，如图9。当抽取的车辆不是排队的第一辆车时，通过车辆的排队起始点和本周期红灯开始时间点R4(tR4,X0+4l)作直线，为集结波。本信号周期红灯结束时间点为g4(tG4,X0+4l)，以消散波波速ω为斜率，通过点G4(tG4+2.3,X0+4l)作直线，为消散波。集结波和消散波的交点为P4(tP4,dP4)，此红灯期间的车辆排队长度估算值即为X0+4l-dP4，如图10。
当在某周期没有抽到样本车辆时，如图11。此时本周期红灯时间的车辆排队长度采用前n个周期红灯时间排队长度均值或加权值，n可取1到10之间的任意整数。
至此，在非饱和交叉口内，以5％～15％的低抽样率取得样本车辆时，在抽样数为0、1、2或2以上时，交叉口的每个周期红灯时间排队车辆长度估算值均可求得。
本方法的优势为利用交通波理论和混合算法解决低抽样率情况下的排队车辆集结波和消散波的估算，从而得出进口道的车辆排队长度值。并且在短期，如3～5个周期以内计算的排队值较为稳定的情况下，可以采用折叠启发式算法等来对集结波和消散波进行优化。
给出了详细的利用15％抽样的GPS车辆轨迹数据来估算非饱和信号交叉口车辆排队长度的计算过程，但本发明的保护范围不限于下述实施的具体实施方式中。
本具体实施方式中为深圳市新湖路与裕安一路交叉口，交叉口中心点C的经纬度坐标为(113.88389,22.55776)。选择新湖路南进口直行道进行其非饱和时期的交叉口排队长度估算。此车道停车线中点M的经纬度坐标为(113.88411,22.55763)，交叉口的渠化及C点和M点的位置如图13。
交叉口为4相位交叉口，平峰期间南进口直行方向的绿灯时长为38s，红灯时长为84s。
通过某交通出行服务APP，提取通过此车道的直行车辆GPS轨迹数据，其占总直行车辆的比例为15％，提取数据间隔t0为3秒。在某一周期红灯时间内，抽取到了1辆车的GPS轨迹数据，提取的主要数据信息表如表1：
表1提取车辆的GPS轨迹数据
表中记录了2015年11月4日此车辆通直行车道时的轨迹特征。以距离直行车道停车线中心点M上游200m以内的最远位置开始提取GPS提取轨迹点数据，设为轨迹零点，第1个GPS点位数据即为表1中序号1的点位数据。直至通过点M后200m处终止提取，最后一个点位数据即表表1中序号33的点位数据。判断方法为：每1经度对应的换算距离为111.31955km，每一纬度对应的换算距离为111.13333km，将经纬度乘以对应换算距离值，再求与点M(113.88411,22.55763)的距离差值即可，即在具体实施方式中中，X0的值为0,4l的值为200，X0+4l的值为200。
将表1中的经纬度数据换算为空间坐标(经纬度乘以对应的换算距离)，再求各个点位间的空间坐标距离，结合交叉口的周期红绿灯时间数据，最终生成的车辆轨迹图，如图14所示。图14中交叉口停车线所在的位置坐标为200m位置。
按照发明内容第2步，具体实施方式中中取Vmin为4m/s，表1中车辆轨迹低于4m/s的次数只有一次，即第7个轨迹点连续至第25个轨迹点，故表1的车辆轨迹属于类别II，只经历的一次排队。
按照发明内容第3步，寻找初步排队关键点，即表1中车辆的速度不高于4m/s的点，即从第7个轨迹点至25个轨迹点均为初步排队关键点。
按照发明专利第4步和第5步，由相邻点位的速度差和时间差计算各点位的加速度，具体实施方式中中取amin为0.002m/s2，当加速度计算值小于0.002m/s2时，认为此点为排队起始点或排队终止点，表1中的排队起始点为第7个轨迹点，排队终止点为第25个轨迹点，如图14，图15的排队起始点坐标为(36,182.8)，排队终止点坐标为(90,182.8)。
由于本周期内只抽取到1辆车辆轨迹，按照发明专利第10步，首先判断此车辆在排队时是否为第一辆排队车辆。由于排队起始点纵坐标182.8<194，即此排队车辆不是排队队列中的第一辆排队车辆。
按照发明专利第10步，通过车辆的排队起始点(36,182.8)和本周期红灯开始时间点R(1,200)作直线，为集结波，集结波线性方程为y＝-0.49x+200.49。由于本信号周期红灯结束时间点坐标为g(85,200)，具体实施方式中中停车间距取2m，车长取4.5m，则h取6.5m，排队车辆启动的时间间距△t取1.02s，计算消散波波速ω为-6.37m/s。则以ω取值-6.37为斜率，通过点G(87.3,200)作直线，为消散波，消散波线性方程为y＝-6.37x+756.1。集结波和消散波的交点为P(94.5,154.19)，如图15。
估算此周期红灯期间此直行车道的排队长度为200m-154.19m＝45.81m。
当此周期内抽到的车辆数据为其他情况时(如0辆，2辆或2辆以上)，同样按照发明内容的对应步骤情况进行计算。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种利用低抽样率GPS数据的交叉口车辆排队长度估算方法，其特征在于按照如下步骤进行：
(1)在一个交叉口的周期时间内，提取交叉口任意一个进口道在低比例下的车辆GPS轨迹数据，通过车辆累积行驶的距离值，作出提取车辆的累积行驶距离曲线；
(2)排除轨迹中所有轨迹点速度均大于预设值Vmin的轨迹数据，剩余的轨迹数据即为周期内经历排队的车辆轨迹数据；
(3)对于抽取到的每辆车的轨迹数据，从速度小于Vmin的点位中初步判断排队关键点，小于Vmin为排队关键点，大于Vmin为非排队关键点；
(4)利用相邻轨迹点位的速度差和时间差计算某一车辆每个轨迹点上的加速度；
(5)判断所有的可能排队关键点的加速度，并按照时间序列排序，取可能排队关键点中的第一个轨迹点和最后一个轨迹点的加速度分别为和
第一个轨迹点小于等于预设加速度时，则认为该轨迹点为排队起始点；
第一个轨迹点大于预设加速度时，则按照时间序列向前依次取一个轨迹断点逐个判断，直至向前的第n(n为正整数)个轨迹点的加速度小于等于预设加速度时为止，此时认为轨迹点s-n为排队起始点；
最后一个轨迹点小于等于预设加速度时则认为该轨迹点是排队终止点；
最后一个轨迹点大于预设加速度时，则按照时间序列向后依次取一个轨迹断点逐个判断，直至向后的第m(m为正整数)个轨迹点的加速度小于等于预设加速度时为止，此时认为轨迹点ss+m为排队终止点；
(6)将通过交叉口所有车辆的轨迹数据中，抽取低比例的样本轨迹数据，利用样本数据中的类别II数据，进行本信号周期内红灯时间的排队长度估算；
(7)根据抽取不同的排队车辆数，利用交通波理论，来计算红灯时间内的车辆排队集结波；
(8)利用混合算法，来计算排队车辆的消散波；
(9)通过集结波和消散波来计算进口道的车辆排队长度；
(10)确定第一辆车的排队起始时间点为信号周期红灯开始时间，根据抽样车辆排队起始点坐标和信号周期红灯开始时间点线性拟合出一条直线作为集结波，利用混合算法，来计算排队车辆的消散波；
(11)当在某周期内红灯时间抽取的样本车辆数为1，当抽取的车辆为排队的第1辆车时，判断方法与第(4)步相同；当抽取的车辆为排队的不是第一辆车时判断方式与第(4)步不同；
(12)当在某周期没有抽到样本车辆时，此时本周期红灯时间的车辆排队长度采用前n个周期红灯时间排队长度均值或加权值，n可取1到10之间的任意整数。
2.根据权利要求1所述的利用低抽样率GPS数据的交叉口车辆排队长度估算方法，其特征在于：所述的步骤(1)内，在一个交叉口的周期时间内，提取交叉口任意一个进口道低比例抽样，比例范围为5％～20％。
3.根据权利要求1所述的利用低抽样率GPS数据的交叉口车辆排队长度估算方法，其特征在于：所述的步骤(6)中，将通过交叉口所有车辆的轨迹数据中，抽取5％～20％的样本轨迹数据，利用样本数据中的类别II数据，进行本信号周期内红灯时间的排队长度估算，在每个红灯时间内，可能抽取到0辆、1辆、2辆或2辆以上的经历排队车辆，即每个周期内类别II轨迹数据的数目可能为0、1、2或2以上。
4.根据权利要求1所述的利用低抽样率GPS数据的交叉口车辆排队长度估算方法，其特征在于：所述的步骤(7)中根据抽取不同的排队车辆数，利用交通波理论，来计算红灯时间内的车辆排队集结波，假设在某个红灯时间内抽取的车辆数为2辆或2辆以上，这里以3辆为例，设车辆编号分别为a,b,c,，可以得到3辆车的排队起始点时空坐标为设排队位次为Na，Nb，Nc，在这种情况下，当a车的排队位次Na＝1时，即车辆a为交叉口停车线前排队的第一辆车时，利用最小二乘法拟合3辆车的排队起始点时空点位坐标生成一条直线，称作集结波，判断车辆a是否为交叉口停车线前排队的第一辆车的方法为：当时，认为车a是排队的第一辆车，即距交叉口停车线距离不大于6m，当时，认为车a不是排队的第一辆车，即距交叉口停车线距离大于6m。
5.根据权利要求1所述的利用低抽样率GPS数据的交叉口车辆排队长度估算方法，其特征在于：所述的步骤(10)当a车的排队位次不是交叉口排队的第一辆车时，则可以认为排队队列中的第一辆车的排队起始时间点为信号周期红灯开始时间，根据抽样车辆a,b,c排队起始点坐标和信号周期红灯开始时间点R2(tR2,X0+4l)线性拟合出一条直线作为集结波，利用混合算法，来计算排队车辆的消散波，如可以采用最小二乘法拟合3辆车的排队终止点的时空点位坐标生成一条直线，为消散波；或以消散波波速ω为斜率，通过点G2(tG2+2.3,X0+4l)作直线，为消散波，本信号周期红灯结束时间点为g2(tG2,X0+4l)，2.3为车辆反应和启动损失时间和的时间值，集结波与消散波交点为P2(tP2,dP2)，此红灯期间的车辆排队长度估算值即为X0+4l-dP2。
6.根据权利要求1所述的利用低抽样率GPS数据的交叉口车辆排队长度估算方法，其特征在于：所述的步骤(11)中当在某周期内红灯时间抽取的样本车辆数为1时，假设其编号为f，又分为两种情况，当抽取的车辆为排队的第1辆车时，判断方法与第(5)步相同，以上一周期的集结波斜率值为斜率，通过车辆排队起始点作直线，为集结波，本信号周期红灯结束时间点为g3(tG3,X0+4l)，以消散波波速ω为斜率，通过点G3(tG3+2.3,X0+4l)作直线，为消散波，集结波与消散波交点为P3(tP3,dP3)，此红灯期间的车辆排队长度估算值即为X0+4l-dP3，当抽取的车辆不是排队的第一辆车时，通过车辆的排队起始点和本周期红灯开始时间点R4(tR4,X0+4l)作直线，为集结波，本信号周期红灯结束时间点为g4(tG4,X0+4l)，以消散波波速ω为斜率，通过点G4(tG4+2.3,X0+4l)作直线，为消散波，集结波和消散波的交点为P4(tP4,dP4)，此红灯期间的车辆排队长度估算值即为X0+4l-dP4。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2016107181030 | 2016-08-25 | ||
| CN201610718103 | 2016-08-25 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107123276A true CN107123276A (zh) | 2017-09-01 |
| CN107123276B CN107123276B (zh) | 2020-04-21 |
Family
ID=59719625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710514443.6A Active CN107123276B (zh) | 2016-08-25 | 2017-06-29 | 利用低抽样率gps数据的交叉口车辆排队长度估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107123276B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107591003A (zh) * | 2017-10-26 | 2018-01-16 | 江苏智通交通科技有限公司 | 基于车辆识别数据的城市路网消散能力提取方法 |
| CN108109380A (zh) * | 2018-01-31 | 2018-06-01 | 迈锐数据（北京）有限公司 | 一种车辆排队长度的检测系统、方法及装置 |
| CN108447261A (zh) * | 2018-04-04 | 2018-08-24 | 迈锐数据（北京）有限公司 | 基于多方式的车辆排队长度计算方法及装置 |
| CN108665704A (zh) * | 2018-05-17 | 2018-10-16 | 北京航空航天大学 | 基于众包轨迹数据的交叉口周期最大排队长度估计方法 |
| CN108806282A (zh) * | 2018-06-01 | 2018-11-13 | 浙江大学 | 基于样本行程时间信息的车道组最大排队长度估计方法 |
| CN109385940A (zh) * | 2018-10-26 | 2019-02-26 | 淮阴工学院 | 基于交通波理论的左转掉头口距停止线长度的设计方法 |
| CN109544915A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的排队长度分布估计方法 |
| CN110335459A (zh) * | 2019-04-26 | 2019-10-15 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
| WO2020077527A1 (en) * | 2018-10-16 | 2020-04-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | System to optimize scats adaptive signal system using trajectory data |
| CN111310342A (zh) * | 2020-02-21 | 2020-06-19 | 齐鲁工业大学 | 船舶码头卡车排队长度估计方法、系统、设备及介质 |
| CN111739299A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
| CN112201035A (zh) * | 2020-09-24 | 2021-01-08 | 同济大学 | 一种轨迹数据驱动的信控交叉口周期流量估计方法 |
| CN113012430A (zh) * | 2021-02-23 | 2021-06-22 | 西南交通大学 | 一种车辆排队长度检测方法、装置、设备及可读存储介质 |
| CN113032425A (zh) * | 2021-03-04 | 2021-06-25 | 武汉理工大学 | 一种交叉口排队长度估计方法及装置 |
| CN113284336A (zh) * | 2021-04-04 | 2021-08-20 | 北方工业大学 | 一种用于计算上下游路口协调度的通行状态表征方法 |
| CN113284344A (zh) * | 2021-04-04 | 2021-08-20 | 北方工业大学 | 一种基于车牌识别及轨迹数据的并道加塞行为分析方法 |
| CN113506453A (zh) * | 2021-09-10 | 2021-10-15 | 华砺智行(武汉)科技有限公司 | 公交车优先信号控制方法、装置、设备及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110043378A1 (en) * | 2008-02-06 | 2011-02-24 | Hatton Traffic Management Ltd | Traffic control system |
| CN102855760A (zh) * | 2012-09-27 | 2013-01-02 | 中山大学 | 基于浮动车数据的在线排队长度检测方法 |
| CN103208191A (zh) * | 2012-01-13 | 2013-07-17 | 上海济祥智能交通科技有限公司 | 一种城市道路交叉口过饱和条件下信号协调控制的优化方法 |
| CN104575035A (zh) * | 2015-01-22 | 2015-04-29 | 大连理工大学 | 一种基于车联网环境下交叉口的自适用控制方法 |
| CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
-
2017
- 2017-06-29 CN CN201710514443.6A patent/CN107123276B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110043378A1 (en) * | 2008-02-06 | 2011-02-24 | Hatton Traffic Management Ltd | Traffic control system |
| CN103208191A (zh) * | 2012-01-13 | 2013-07-17 | 上海济祥智能交通科技有限公司 | 一种城市道路交叉口过饱和条件下信号协调控制的优化方法 |
| CN102855760A (zh) * | 2012-09-27 | 2013-01-02 | 中山大学 | 基于浮动车数据的在线排队长度检测方法 |
| CN104575035A (zh) * | 2015-01-22 | 2015-04-29 | 大连理工大学 | 一种基于车联网环境下交叉口的自适用控制方法 |
| CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 庄立坚等: "基于浮动车数据的排队长度检测方法研究", 《交通运输系统工程与信息》 * |
| 张强等: "关键交叉口与双周期交叉口间路段上的车辆排队模式及测算方法", 《山东科学》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107591003A (zh) * | 2017-10-26 | 2018-01-16 | 江苏智通交通科技有限公司 | 基于车辆识别数据的城市路网消散能力提取方法 |
| CN107591003B (zh) * | 2017-10-26 | 2020-04-03 | 江苏智通交通科技有限公司 | 基于车辆识别数据的城市路网消散能力提取方法 |
| CN108109380A (zh) * | 2018-01-31 | 2018-06-01 | 迈锐数据（北京）有限公司 | 一种车辆排队长度的检测系统、方法及装置 |
| CN108447261A (zh) * | 2018-04-04 | 2018-08-24 | 迈锐数据（北京）有限公司 | 基于多方式的车辆排队长度计算方法及装置 |
| CN108447261B (zh) * | 2018-04-04 | 2020-09-18 | 迈锐数据（北京）有限公司 | 基于多方式的车辆排队长度计算方法及装置 |
| CN108665704A (zh) * | 2018-05-17 | 2018-10-16 | 北京航空航天大学 | 基于众包轨迹数据的交叉口周期最大排队长度估计方法 |
| CN108806282A (zh) * | 2018-06-01 | 2018-11-13 | 浙江大学 | 基于样本行程时间信息的车道组最大排队长度估计方法 |
| WO2020077527A1 (en) * | 2018-10-16 | 2020-04-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | System to optimize scats adaptive signal system using trajectory data |
| CN111328412B (zh) * | 2018-10-16 | 2021-06-01 | 北京嘀嘀无限科技发展有限公司 | 基于车辆轨迹数据的自适应交通控制 |
| US11210942B2 (en) | 2018-10-16 | 2021-12-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | System to optimize SCATS adaptive signal system using trajectory data |
| CN111328412A (zh) * | 2018-10-16 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 基于车辆轨迹数据的自适应交通控制 |
| US10755564B2 (en) | 2018-10-16 | 2020-08-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | System to optimize SCATS adaptive signal system using trajectory data |
| CN109385940A (zh) * | 2018-10-26 | 2019-02-26 | 淮阴工学院 | 基于交通波理论的左转掉头口距停止线长度的设计方法 |
| CN109544915A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的排队长度分布估计方法 |
| CN109544915B (zh) * | 2018-11-09 | 2020-08-18 | 同济大学 | 一种基于抽样轨迹数据的排队长度分布估计方法 |
| CN110335459A (zh) * | 2019-04-26 | 2019-10-15 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
| WO2020216386A1 (zh) * | 2019-04-26 | 2020-10-29 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
| CN111310342A (zh) * | 2020-02-21 | 2020-06-19 | 齐鲁工业大学 | 船舶码头卡车排队长度估计方法、系统、设备及介质 |
| CN111310342B (zh) * | 2020-02-21 | 2023-04-14 | 齐鲁工业大学 | 船舶码头卡车排队长度估计方法、系统、设备及介质 |
| CN111739299B (zh) * | 2020-07-20 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
| CN111739299A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
| CN112201035A (zh) * | 2020-09-24 | 2021-01-08 | 同济大学 | 一种轨迹数据驱动的信控交叉口周期流量估计方法 |
| CN113012430A (zh) * | 2021-02-23 | 2021-06-22 | 西南交通大学 | 一种车辆排队长度检测方法、装置、设备及可读存储介质 |
| CN113032425A (zh) * | 2021-03-04 | 2021-06-25 | 武汉理工大学 | 一种交叉口排队长度估计方法及装置 |
| CN113284336A (zh) * | 2021-04-04 | 2021-08-20 | 北方工业大学 | 一种用于计算上下游路口协调度的通行状态表征方法 |
| CN113284344A (zh) * | 2021-04-04 | 2021-08-20 | 北方工业大学 | 一种基于车牌识别及轨迹数据的并道加塞行为分析方法 |
| CN113506453A (zh) * | 2021-09-10 | 2021-10-15 | 华砺智行(武汉)科技有限公司 | 公交车优先信号控制方法、装置、设备及可读存储介质 |
| CN113506453B (zh) * | 2021-09-10 | 2022-02-22 | 华砺智行(武汉)科技有限公司 | 公交车优先信号控制方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107123276B (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107123276A (zh) | 利用低抽样率gps数据的交叉口车辆排队长度估算方法 | |
| CN103325245B (zh) | 一种黑名单车辆的时空行驶轨迹预测方法 | |
| CN105185105B (zh) | 基于车辆gps和公交ic卡数据的公交换乘识别方法 | |
| CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
| CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
| CN104715602B (zh) | 公交电子站牌系统与方法 | |
| CN103310651A (zh) | 一种基于实时路况信息的公交到站预测方法 | |
| CN104778274A (zh) | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 | |
| CN105702035B (zh) | 一种利用历史公交数据评估乘车难易程度的方法 | |
| CN103680177B (zh) | 基于手机的智能车速提示驾驶系统 | |
| CN108346292A (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
| CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
| CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
| CN109816977A (zh) | 一种数据驱动的交叉口信号控制评价系统 | |
| CN108062857A (zh) | 用于出租车乘客出行目的的预测方法 | |
| CN108364464B (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
| CN105390013A (zh) | 一种利用公交ic卡预测公交到站时间的方法 | |
| CN204256963U (zh) | 一种基于gps的交叉口交通信号灯实时控制装置 | |
| CN105336166A (zh) | 基于车载蓝牙的交通特征参数提取方法 | |
| CN107204115A (zh) | 干线车流停车率估计方法 | |
| CN104966408A (zh) | 一种gps定位数据补偿方法 | |
| CN110070734A (zh) | 基于高斯混合模型的信号交叉口饱和车头时距估计方法 | |
| CN103177576A (zh) | 一种收费站上下游路况信息的判断方法及装置 | |
| CN109584555A (zh) | 基于afc数据的公交乘客下车站点推测方法 | |
| CN108573604A (zh) | 基于移动终端定位的公交od数据获取方法及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210430 Address after: 201800 room 412-1, 4801 Cao'an Road, Anting Town, Jiading District, Shanghai Patentee after: Shanghai Jida Transportation Technology Co.,Ltd. Address before: 215513 Science Park No. 11 Sihai Road, Changshu Economic and Technological Development Zone, Suzhou City, Jiangsu Province Patentee before: SUZHOU HUACHUAN TRANSPORTATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |