CN107134137A - 一种考虑实时信息的动态路径选择方法 - Google Patents
一种考虑实时信息的动态路径选择方法 Download PDFInfo
- Publication number
- CN107134137A CN107134137A CN201710382322.0A CN201710382322A CN107134137A CN 107134137 A CN107134137 A CN 107134137A CN 201710382322 A CN201710382322 A CN 201710382322A CN 107134137 A CN107134137 A CN 107134137A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- section
- variable
- travel 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.)
- Pending
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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种考虑实时信息的动态路径选择方法,通过对路网上车辆的GPS数据和路段交通状态的收集,构建交通状态的贝叶斯网络。在驾驶员行驶至每个决策点时,将已经通过的路段状态作为证据,对贝叶斯网络进行更新,进而重新推断路段的出行时间。在此基础上,利用Dijkstra 最短路径算法得到该决策点处的一条最短路径。直到行驶至下一个决策点,重复更新网络,推断出行时间,找最短路这一过程,完成动态出行时间预测下的动态路径选择。本发明优点在于路段出行时间是考虑实时信息的动态预测,即考虑了在已经通过的路段状态影响下,驾驶员对剩余路段出行时间的预测,在此基础上完成动态路径选择。
Description
技术领域
本发明涉及动态选择路径技术领域,尤其涉及一种考虑实时信息的动态路径选择方法。
背景技术
数字城市与智慧城市的建设促进了移动互联网、物联网、云计算等技术的发展,并直接推动了大数据时代的来临,城市交通进入智能化阶段。在交通领域,传统的数据采集向电子化设备与高级应用转变,助力交通大数据的形成与发展。交通大数据包括物理空间的数据,比如车辆移动的北斗/GPS位置数据、车辆状态数据、摄像头视频数据、天气数据以及路网数据等;也包括与人类社会息息相关的移动数据,比如手机基站数据、交通智能卡数据等。交通属于典型的开放复杂巨系统。在交通建模研究中,机理、知识、数据的系统化应用具有特殊的意义。大数据为交通模型的建立、标定奠定了基础,倒逼交通模型的自我完善,特别是混合交通流特性的研究、交通出行行为规律的发现、动态交通流时空特征的提取等基础问题。
交通诱导的研究是智能交通研究中非常重要的一个方面,而最优路径选择策略已成为交通诱导的一个重要手段。最优路径选择策略中,动态路径选择的特点是司机在选择路径时所依据的条件是随时间动态变化的,这能够提供给驾驶员考虑驾驶员个人主观判断和最新交通信息的最优路径。
发明内容
为了解决上述存在的问题,本发明提供一种考虑实时信息的动态路径选择方法,其段出行时间是考虑实时信息的动态预测,即考虑了在已经通过的路段状态影响下,驾驶员对剩余路段出行时间的预测,在此基础上完成动态路径选择,能够提供给驾驶员考虑驾驶员个人主观判断和最新交通信息的最优路径,为达此目的,本发明提供一种考虑实时信息的动态路径选择方法,其特征在于,该方法包括如下步骤:
1)获取车辆的历史数据,所述历史数据为某个时间段内,n辆小汽车的GPS数据,以及由GPS数据推算出来的路段交通状态和小汽车位置信息;
2)按照如下方式构建交通状态的贝叶斯网络:
建立出行时间预测的贝叶斯网路结构;
贝叶斯网络的参数估计采用EM算法即最大期望算法,该算法主要有两个步骤:
1.初始化分布参数;
2.重复直到收敛:
E步骤:估计未知参数的期望值,给出当前的参数估计;
M步骤:重新估计分布参数,以使得数据的似然性最大,给出未知变量的期望估计;
3)将驾驶员已通过的路段状态作为证据,更新贝叶斯网络,推断更新剩余路段的出行时间;
出行时间预测模型可以理解成,当知道某些路段状态的情况下,估计剩余路段的状态的问题,即,计算未知状态路段的后验概率分布S\S',其中,e={U,S'};S'为状态已知的路段的集合;Si∈S\S',Si的后验概率分布为:
其中,P(X)可以通过贝叶斯网络系数计算得:
当路段S的状态概率分布更新完成后,就可以估计出路段出行时间分布,估计出行时间的均值,便于后续直接构建路径选择模型:
其中,M(Ti|e)为路段i的平均预测出行时间,M(Ti|Si=s)可以直接由调查的历史数据得出,如果没有驾驶员实时信息的更新,则
4)利用最短路算法,找到更新了路段出行时间的路网上的最短路径;
Dijkstra最短路径算法包括以下步骤:
Step0:初始化;
Step1:终止检验;
Step2:修改T标号;
Step3:确定P标号。
本发明的进一步改进,步骤二中建立出行时间预测的贝叶斯网路结构,其中假设交通网络上有m个OD对,n条路段,变量Si表示路段i的状态;变量Qj表示OD对j的交通需求等级;变量U表示路网中交通需求总量的等级,如果路段i是OD对j的路径选择集里某条路径上的路段,则Qj是Si的父节点;U是所有OD对的父节点,只有OD需求等级的变量Q={Q1,…,Qm}是路段状态变量S={S1,…,Sn}的父节点,即,在给定OD需求的情况下,所有的路段状态之间是相互独立的,变量Q的父节点是变量U,变量U表示了一天内的不同时间段,变量Q表示一天的不同时间段内OD需求量,其中变量U可以自行定义,变量S可以根据收集的历史数据进行估计,变量Q无法直接得出,所以变量Q是隐变量。
本发明一种考虑实时信息的动态路径选择方法,与现有技术相比有益效果如下:
之前研究中,路径选择模型中的路径出行时间主要有两种,一种是固定的出行时间,另一种是动态的出行时间。而驾驶员在对出行时间进行预测过程中,会受到外部信息影响,主要包括三类:历史经验,外部信息和实时推断。因此,驾驶员在出行过程中,对路段的出行时间不断的会有新的认知与判断。之前的研究主要针对历史经验和外部信息对路段出行时间预测的影响;本发明则是考虑了实时信息,即驾驶员已经通过的路段状态对其进行剩余路段状态预测的影响。
本发明通过对路网上车辆的GPS数据和路段交通状态的收集,构建了交通状态的贝叶斯网络。驾驶员行驶至每个决策点时,将已经通过的路段状态作为证据,对贝叶斯网络进行更新,进而重新推断路段的出行时间。在此基础上,利用Dijkstra最短路径算法得到该决策点处的一条最短路径。直到行驶至下一个决策点,重复“更新网络,推断出行时间,找最短路”这一过程,完成动态出行时间预测下的动态路径选择。优点在于路段出行时间,是考虑实时信息的动态预测,即考虑了驾驶员已经通过的路段状态影响下,驾驶员对剩余路段出行时间的预测,在此基础上完成动态路径选择。
附图说明
图1为本发明方法的流程图。
图2为示例图,交通状态的贝叶斯网络结构。
图3为示例图,案例选取的网络拓扑结构以及车辆出行路径。
图4为示例图,案例交通状态的贝叶斯网络结构。
图5为案例交通状态下,每个路段估计平均出行时间分析表图。
图6为案例交通状态下,路段更新平均出行时间分析表图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种考虑实时信息的动态路径选择方法,其段出行时间是考虑实时信息的动态预测,即考虑了在已经通过的路段状态影响下,驾驶员对剩余路段出行时间的预测,在此基础上完成动态路径选择,能够提供给驾驶员考虑驾驶员个人主观判断和最新交通信息的最优路径。
本发明一种考虑实时信息的动态路径选择方法具体步骤如下:
1)根据车辆的历史数据,构建交通状态的贝叶斯网络
原始的10000多辆北京出租车GPS数据,是一系列地点坐标。CENNAVI进行了地图匹配和出行时间估计,并且提供了一个星期的考虑路段交通状态的历史数据集和三个月的北京城区部分轨迹数据。历史交通状态数据包含了每5min时间间隔下,每个路段的出行时间。轨迹数据提供了每分钟出租车的位置和出租车服务状态。
本次案例分析抽取一个小网络,见图3,网络由8个结点和9条路段构成,所有路段均为双向。只使用非空载的出租车的数据。只考虑从A到B的出行,在数据搜集过程中,一共使用了274辆出租车的数据信息。车辆所包含的路径有3条,见图3。
路段交通状态是根据使用调查数据估计出来的出行速度来确定的。交通状态被分成3类:
拥挤:0<速度≤20km/h
较拥挤:20km/h<速度≤40km/h
不拥挤:速度>40km/h
通过历史数据得到不同状态对应的路段平均出行时间,见图5。
假设网络有4个OD对,{(A,B),(B,A),(C,D),(D,C)},每组OD对包含以下路径:
(A,B):{1+,7+,4+,5+,6+},{1+,2+,8+,5+,6+},{1+,2+,3+,9+,6+}
(B,A):{6-,5-,4-,7-,1-},{6-,5-,8-,2-,1-},{6-,9-,3-,2-,1-}
(C,D):{4+,5+,9-},{4+,8-,3+},{7-,2+,3+}
(D,C):{3-,2-,7+},{3-,8+,4-},{9+,5-,4-}
符号“+”“-”表示路段的方向,从左往右从下往上取“+”。因为本次案例只考虑从A到B的出行,所以为了简化只考虑正“+”方向。
根据已有研究可以确定本次交通网络的贝叶斯网路结构,见图4。变量U根据一天中不同时间段,反映了总的交通需求等级。变量U有4个状态:早高峰(状态1;7:00-9:00),平峰(状态2;9:00-18:00),晚高峰(状态3;18:00-21:00),低谷(状态4;21:00-7:00)。变量Q={Q1,…,Q3}分别为OD对{(A,B),(C,D),(D,C)}的交通需求等级。因为当状态的个数增加,贝叶斯网络的复杂度就会急剧增加,Q是隐变量且Q的状态的数量是未确定的。因此,在本次案例中,假设Q有3种状态。变量S={S1,…,S9}表示路段的交通状态。如果路段i在OD对j之间的路径上,则在贝叶斯网络中,从Qi到Si会有一个单向箭头连接。
贝叶斯网络的系数使用EM算法处理数据实现。
E步骤:估计未知参数的期望值,给出当前的参数估计。
M步骤:重新估计分布参数,以使得数据的似然性最大,给出未知变量的期望估计。
2)更新剩余路段的预测出行时间,根据最短路算法,选择一条新的最短路径
驾驶员对每个路段出行时间预测的更新,相当于使用构建好的贝叶斯网络进行推断的问题。在每一个决策点,驾驶员对路段认识的更新信息作为证据进入贝叶斯网络。
假设13:30,一位驾驶员从A开始行驶,则证据e={U=2}。驾驶员继续行使至DN1。因为驾驶员已经经过了路段1,因此知道路段1的交通状况,我们假设路段1不拥挤,则此时证据更新为e={U=2,S1=1}。同理,当驾驶员行驶至DN2,假设路段2不拥挤,则此时证据更新为e={U=2,S1=1,S2=1}。每个路段初始的交通状态可以由车辆的GPS数据获得,结合式子(1)(2)(3),我们可以获得用于路径选择建模的路段动态预测出行时间,见图6。
我们假设驾驶员在每一个决策点,遵循选择最短路径的规则:
在起点处,三条路径的预测出行时间分别为624,620,616,所以驾驶员会选择路径3;
在决策点1(DN1)处,两条可选择路径(路径2和路径3)的预测出行时间分别为513,521。所以,驾驶员会调整路径,选择路径2。
在决策点2(DN2)处,两条可选择路径(路径2和路径3)的预测出行时间分别为418,427。所以,驾驶员继续选择路径2行驶。
重复以上过程,直至驾驶员行驶至终点。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.一种考虑实时信息的动态路径选择方法,其特征在于,该方法包括如下步骤:
1)获取车辆的历史数据,所述历史数据为某个时间段内,n辆小汽车的GPS数据,以及由GPS数据推算出来的路段交通状态和小汽车位置信息;
2)按照如下方式构建交通状态的贝叶斯网络:
建立出行时间预测的贝叶斯网路结构;
贝叶斯网络的参数估计采用EM算法即最大期望算法,该算法主要有两个步骤:
1.初始化分布参数;
2.重复直到收敛:
E步骤:估计未知参数的期望值,给出当前的参数估计;
M步骤:重新估计分布参数,以使得数据的似然性最大,给出未知变量的期望估计;
3)将驾驶员已通过的路段状态作为证据,更新贝叶斯网络,推断更新剩余路段的出行时间;
出行时间预测模型可以理解成,当知道某些路段状态的情况下,估计剩余路段的状态的问题,即,计算未知状态路段的后验概率分布S\S',其中,e={U,S'};S'为状态已知的路段的集合;Si∈S\S',Si的后验概率分布为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mo>\</mo>
<mo>{</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>e</mi>
<mo>}</mo>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mo>\</mo>
<mi>e</mi>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,P(X)可以通过贝叶斯网络系数计算得:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Pi;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mi>X</mi>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>&pi;</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
当路段S的状态概率分布更新完成后,就可以估计出路段出行时间分布,估计出行时间的均值,便于后续直接构建路径选择模型:
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>|</mo>
<mi>s</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>s</mi>
<mo>|</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,M(Ti|e)为路段i的平均预测出行时间,M(Ti|Si=s)可以直接由调查的历史数据得出,如果没有驾驶员实时信息的更新,则
4)利用最短路算法,找到更新了路段出行时间的路网上的最短路径;
Dijkstra最短路径算法包括以下步骤:
Step0:初始化;
Step1:终止检验;
Step2:修改T标号;
Step3:确定P标号。
2.根据权利要求1所述的一种考虑实时信息的动态路径选择方法,其特征在于:步骤二中建立出行时间预测的贝叶斯网路结构,其中假设交通网络上有m个OD对,n条路段,变量Si表示路段i的状态;变量Qj表示OD对j的交通需求等级;变量U表示路网中交通需求总量的等级,如果路段i是OD对j的路径选择集里某条路径上的路段,则Qj是Si的父节点;U是所有OD对的父节点,只有OD需求等级的变量Q={Q1,…,Qm}是路段状态变量S={S1,…,Sn}的父节点,即,在给定OD需求的情况下,所有的路段状态之间是相互独立的,变量Q的父节点是变量U,变量U表示了一天内的不同时间段,变量Q表示一天的不同时间段内OD需求量,其中变量U可以自行定义,变量根据收集的历史数据进行估计,变量Q无法直接得出,所以变量Q是隐变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382322.0A CN107134137A (zh) | 2017-05-25 | 2017-05-25 | 一种考虑实时信息的动态路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382322.0A CN107134137A (zh) | 2017-05-25 | 2017-05-25 | 一种考虑实时信息的动态路径选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107134137A true CN107134137A (zh) | 2017-09-05 |
Family
ID=59733369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710382322.0A Pending CN107134137A (zh) | 2017-05-25 | 2017-05-25 | 一种考虑实时信息的动态路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107134137A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610498A (zh) * | 2017-10-10 | 2018-01-19 | 盐城师范学院 | 一种城区交通高峰期汽车出行自动选择路线方法 |
CN108665705A (zh) * | 2018-05-18 | 2018-10-16 | 西南交通大学 | 交通诱导统计模型校对方法及装置 |
CN109493592A (zh) * | 2017-09-11 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 路径推荐方法及装置 |
CN109861923A (zh) * | 2017-11-30 | 2019-06-07 | 华为技术有限公司 | 一种数据调度方法及tor交换机 |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
CN111210179A (zh) * | 2019-12-30 | 2020-05-29 | 江苏随易信息科技有限公司 | 快递柜制冷控制方法及装置、可读存储介质和终端 |
CN111483465A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 一种扩展mpp的方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测系统 |
-
2017
- 2017-05-25 CN CN201710382322.0A patent/CN107134137A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测系统 |
Non-Patent Citations (4)
Title |
---|
DAWEI LI ET.AL: ""Dynamic Route Choice Behavior Analysis Considering En Route Learning and Choices1"", 《TOURNAL OF THE TRANSPORTATION RESEARCH BOARD》 * |
俞奎 等: ""并行的贝叶斯网络参数学习算法"", 《小型微型计算机系统》 * |
刘红红 等: ""基于数据融合技术的路段出行时间预测方法"", 《交通运输工程学报》 * |
魏宝刚 等: "《数据结构与算法分析 C语言版》", 30 August 2004 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493592A (zh) * | 2017-09-11 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 路径推荐方法及装置 |
CN107610498A (zh) * | 2017-10-10 | 2018-01-19 | 盐城师范学院 | 一种城区交通高峰期汽车出行自动选择路线方法 |
CN109861923A (zh) * | 2017-11-30 | 2019-06-07 | 华为技术有限公司 | 一种数据调度方法及tor交换机 |
US11438270B2 (en) | 2017-11-30 | 2022-09-06 | Huawei Technologies Co., Ltd. | Data scheduling method and tor switch |
CN108665705A (zh) * | 2018-05-18 | 2018-10-16 | 西南交通大学 | 交通诱导统计模型校对方法及装置 |
CN111483465A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 一种扩展mpp的方法、装置、电子设备及存储介质 |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
CN110517492B (zh) * | 2019-08-27 | 2020-12-01 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
CN111210179A (zh) * | 2019-12-30 | 2020-05-29 | 江苏随易信息科技有限公司 | 快递柜制冷控制方法及装置、可读存储介质和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107134137A (zh) | 一种考虑实时信息的动态路径选择方法 | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN104658297B (zh) | 一种基于Sarsa学习的中心式动态路径诱导方法 | |
CN102959358B (zh) | 车辆的电力消耗量计算装置、信息提供装置及信息提供方法 | |
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN103198104A (zh) | 一种基于城市智能公交系统的公交站点od获取方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN103208034B (zh) | 一种轨道交通客流分布预测模型建立及预测方法 | |
CN110288849B (zh) | 一种基于混合交通模式的出行路线推荐方法 | |
CN103456167B (zh) | 基于关键区域的良好驾驶技术参数获取方法 | |
CN109000676A (zh) | 一种vanet环境下结合预测信息的路径规划方法 | |
CN106781479A (zh) | 一种基于手机信令数据实时获取高速公路运行状态的方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN102436466A (zh) | 基于gis分类的公交换乘查询方法 | |
CN105070078B (zh) | 一种基于车车通信的动态路径诱导方法 | |
CN113393690B (zh) | 考虑自动驾驶专用车道的混合交通均衡分配方法 | |
CN114863699B (zh) | 一种基于数字孪生的城市车路协同交通流预测方法 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
Grzybek et al. | Aspects and trends in realistic VANET simulations | |
CN105551239A (zh) | 旅行时间预测方法及装置 | |
CN110796876A (zh) | 基于卡尔曼滤波的路段车辆总数估计方法 | |
Lu et al. | A multi-vehicle cooperative routing method based on evolutionary game theory | |
CN113175939A (zh) | 纯电动汽车行程规划方法及系统 | |
CN104821086B (zh) | 一种定位大规模交通网络中低效路段组合的方法 | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |
|
RJ01 | Rejection of invention patent application after publication |