CN107146409A - 路网中设备检测时间异常的识别和真实时差估算方法 - Google Patents
路网中设备检测时间异常的识别和真实时差估算方法 Download PDFInfo
- Publication number
- CN107146409A CN107146409A CN201710405357.1A CN201710405357A CN107146409A CN 107146409 A CN107146409 A CN 107146409A CN 201710405357 A CN201710405357 A CN 201710405357A CN 107146409 A CN107146409 A CN 107146409A
- Authority
- CN
- China
- Prior art keywords
- time
- monitoring point
- monitoring
- passing
- vehicle
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 title abstract 2
- 238000012544 monitoring process Methods 0.000 claims abstract description 189
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明主要属于智能交通信息技术领域，具体涉及路网中设备检测时间异常的识别和真实时差估算方法。本发明提出了在复杂交通设备网络中基于行程时间计算的识别检测时间与标准时间有差别的设备和真实时差估算的方法。本发明采用了历史真实记录数据计算不同路段车辆行程时间，进而判断监测点时间是否准确，与现实标准时间相符，并对不准确的行程时间进行数据修复，从而达到对监测点时间出现异常的设备进行准确识别，并根据记录数据对车辆真实通过时差估算后进行修正。
Description
技术领域
本发明主要属于智能交通信息技术领域，具体涉及路网中设备检测时间异常的识别和真实时差估算方法。
背景技术
智能交通系统是将电子、传感等技术结合在一起的一种新型交通控制技术，包括了由底层到上层三个的子系统，交通信息采集系统，交通信息处理及分析系统，和交通信息发布系统。在智能交通系统中，无论是实时道路交通状态判别还是未来道路交通状态预测，都需要通过对道路流量或平均行驶车速进行研究，智能交通系统的数据源来自交通信息采集系统采集。交通信息采集系统主要利用部署于各个路段的交通检测器、传感器或者摄像机等设备来获取包括交通流量、速度、占有率、交通事故等实时交通流信息和道路网络信息、交通管制信息等静态交通信息以及天气等其他交通信息。交通信息采集系统是智能交通系统最基本环节，采集所得信息数据的准确性和可靠性将直接影响智能交通系统。
交通信息采集系统中，常见的关于城市道路交通状态判别技术包括基于行程时间的判别算法和基于瞬时速度的判别算法。其中，基于行程时间瞬时速度的判别算法的原理为在通过在各个监测点监测所有车辆，并记录测量车辆通过每个监测点时的时间作为数据源，将此数据源结合网络点在道路中的位置关系分析车辆在某路段内的速度等信息。
随着交通信息采集系统的发展，海量交通流数据不断涌现。但由于检测器自身故障、传输网络故障及环境因素等的影响，采集到的交通流数据难免会出现各种质量问题(不完整、错误、噪音等)。如果直接用这些故障数据进行分析，必然会给后续工作带来误导甚至埋下安全隐患。有效地对交通流故障数据(包括缺失数据和异常数据)进行识别和修复，使其能够真实地反映交通运行状态，才能为后续各项研究的顺利开展提供完整的数据支持和基础保障。
而现有技术主要根据阈值法确定合理的路况值范围来确定路段路况是否异常，是对路况计算结果的判别，缺少对监测点记录时间可能出错的识别，同时阈值法更多依照主观判断，靠人为确定，难免产生对真实情况有所遗漏的现象。
另一方面，现有技术对异常数据修复采用了根据前后相邻时段的路况值进行平均计算所得，会导致计算的路况均值不能够真实反映实际交通路况，造成交通状态结果输出不准确。
发明内容
针对上述问题，本发明提供了路网中设备检测时间异常的识别和真实时差估算方法。本发明讨论的是在众多交通道路设备网络(简称路网)中基于行程时间的计算发现检测时间与标准时间有差别的设备，并估算真实时差的方法。
本发明是通过以下技术方案实现的：
一种路网中设备检测时间异常的识别方法，所述方法基于路网中固定采集设备，所述识别方法包括以下步骤：
信息采集：车辆通过各监测点时，监测点的监测设备实时采集监测设备物理位置、车辆标识信息、车辆通过的时刻；
信息处理：计算在[t1，t2]时间段内先后通过A、B两监测点所有车辆在AB路段的平均行驶速度t2大于t1；
其中，A为路网中任一监测点，B为路网中与A相邻的一个监测点；
历史信息统计：根据历史记录数据计算所有车辆在[t1，t2]时段内先后通过A、B两监测点在AB路段的最高速度vmax和最低速度vmin；
判断识别：若在[vmin,vmax]内，则结果正常；否则，平均行驶速度为异常数据；在AB路段的平均行驶速度为异常数据时，若在同一时段内通过C、A两监测点间所有车辆行驶平均速度也出现异常，则判定A监测点设备存在时间信息异常，导致A监测点参与计算的路段均出现速度偏离正常速度区间的状况；
其中，C为路网中与A相邻的另一个监测点；
报警：对异常监测点设备进行报警提示。
进一步地，所述所有车辆平均行驶速度的计算方法为
其中，
Vi为车辆i在A、B两监测点间的速度，Lab为根据监测设备物理位置计算得到的A、B两监测点间距离；ta为车辆i通过A监测点的时刻；tb为车辆i通过B监测点的时刻，ta,tb∈[t1,t2]。
进一步地，A监测点相邻的监测点的查找方法具体为：
车辆信息统计：根据历史数据将每个车辆的过车记录按时间顺序进行合并，得到多组包括车辆标识、前监测点、前通过时刻、后监测点、后通过时刻的车辆通行数据一；前通过时刻为通过前监测点的时刻，后通过时刻为通过后监测点的时刻；
数据滤除：过滤掉后通过时刻-前通过时刻的差值大于0.5h或差值为负的车辆通行数据，计算M1＝f(x1,x2)；
X1，X2为路网中任意两个检测点；
M1表示先后通过前监测点X1和后监测点X2的车辆的个数，f表示X1，X2与M1的映射关系；
对不同(前监测点、后监测点)的M1排序；
取M最大的N对(前监测点、后监测点)；
其中A为前监测点或后监测点时，所有(前监测点、后监测点) 中出现车辆次数最多的前N对，得到A监测点相邻的N个监测点；
N的取值结合路网中各监测点可存在的相邻监测点的最大值设置。
进一步地，所述历史记录为历史3-12个月的数据。
进一步地，t2小于t1+0.5h。
进一步地，路网中道路为十字路，N取4。
进一步地，所述固定采集设备为基于磁频、波频或视频的监测器。
一种路网中设备检测时间异常的真实时差估算方法，所述估算方法为：
监测点提取：根据历史数据将每个车辆的过车记录进行合并，得到多组包括车辆标识、前监测点、前通过时刻、X监测点、X通过时刻、后监测点、后通过时刻的数据；其中前通过时刻<X通过时刻<后通过时刻；计算M2＝f(x1,X,x2)；
X1，X2为路网中任意两个检测点；X为设备检测时间异常监测点
M2表示先后通过前监测点X1、X监测点和后监测点X2的车辆的个数；
对不同(前监测点、X监测点、后监测点)的M2排序；
取M2最大的(前监测点、X监测点、后监测点)；
数据修复：计算先后通过Y、Z监测点的所有车辆在YZ路段平均行驶速度V′，以V′作为车辆从Y至X，和X至Z的估算结果，对之前由异常设备导致计算出的错误数据进行修复；
其中，Y为监测点提取取得的前监测点、Z为监测点提取取得的后监测点。
进一步地，采用前述识别方法识别设备检测时间异常监测点。
本发明的有益技术效果：
(1)本发明提出了在复杂交通设备网络中基于行程时间计算的识别检测时间与标准时间有差别的设备和真实时差估算的方法。
(2)本发明采用了历史真实记录数据计算不同路段车辆行程时间，进而判断监测点时间是否准确，与现实标准时间相符，并对不准确的行程时间进行数据修复，从而达到对监测点时间出现异常的设备进行准确识别，并根据记录数据对车辆真实通过时差估算后进行修正。
附图说明
图1、本发明与标准时间不符的异常监测点识别和真实时差估算流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
由于路口是复杂交通网络的重要组成部分，是影响路网交通状态的关键点，需要从路口，路段和路网的交通状态入手。而在智能交通系统中，无论是实时道路交通状态判别还是未来道路交通状态预测，都需要通过对道路流量或平均行驶车速进行研究，数据源是通过在各个路口、路段中架设的摄像头采集到的所有车辆的通行信息。
本发明采集技术基于固定型采集技术，固定型采集技术是指通过在固定地点的交通检测器设备对移动的车辆进行监视，从而采集交通流数据的方法总称。
固定检测器主要包括磁频、波频和视频三种，其中磁频检测器主要有环形感应线圈检测器、磁力检测器等；波频检测器主要有微波检测器、超声波检测器、主动式红外线检测器等；视频检测器主要有视频图像处理器。本实施例对具体的检测器种类不做限制。
本实施例识别方法包括以下步骤，如图1所示。
Step1：首先需要建立路网卡口邻接矩阵，用邻接矩阵来表示路网的物理连接关系，根据历史三个月中(12周)各路段每周相同时段内的最高速度vmax和最低速度vmin确定正常行驶速度区间[vmin,vmax]。
Step2：如果有车辆经过一个卡口，检测节点会记录该车辆通过的时刻，并将采集到的数据信息上传，在接收到A、B两个节点的车辆通行记录数据后，会通过两个时刻信息计算通过A、B节点的时间差TAB。再根据通过时间TAB结合路网信息得到卡口间道路距离L，即可求得该车辆的行驶速度v。将每个时段内所有车辆的行驶速度v取平均，得到路段的平均行驶速度Vi。
Step3：若Vi在该AB路段历史正常行驶速度区间[vmin,vmax]内，则认为结果正常；否则，平均行驶速度Vi认为是异常数据。若在同一时段内异常速度路段的相邻路段BC也出现异常，则判定卡口B设备存在时间信息异常，导致B监测点参与计算的路段均出现速度偏离正常速度区间的状况。
Step4：对异常卡口监测点设备进行报警提示。
道路交通流参数不是静止不变的，而是随时间的变化而变化的。一方面由于人们出行的规律性，使得道路交通需求同样具有规律性，导致同一路段的交通流数据的变化趋势曲线会呈现出周期性。这些曲线会以年、月、周等时间间隔为周期单位，呈现现出不同程度的相似性。因此，以该路段同时间段的历史数据为标准。
时间复杂度估算：
得到正常行驶速度区间[vmin,vmax]的计算总次数为O(n)，n为参与计算的通行记录条数。
实时计算每个时段内所有路段的平均速度Vi的时间复杂度 O(m)，m为该时段内所有通行记录数。按照计算结果和上述正常行驶速度区间[vmin,vmax]进行比较，时间复杂度为O(k)，k为城市分割的路段数量。总的时间复杂度为O(n+m*k)＝O(n2)。
车辆通过异常监测点真实时间估算方法
异常监测点真实时差估算方法如下：
Step1：假设路段Y->X，X->Z是两端连续路段，其中卡口X在Y、 Z之间，与Y、Z直接相邻，且X为异常时间卡口(即设备时间出错)。将通过上述识别之后的时间异常监测点与监测点卡口邻接矩阵相匹配，得到同时段内其相邻m个路段上各车辆的起始和到达时间，即采取了跳过异常时间卡口X通过其前后相邻卡口Y、Z的通行时间计算出Y->Z的平均行驶速度V′。
Step2：由于监控点X时间信息异常会造成前后某一路段如Y->X 车速高于正常速度区间水平vmax，另一路段X->Z低于正常速度区间 vmin。将Y->Z的平均行驶速度V′作为Y->X，和X->Z的估算结果，对之前由异常设备导致计算出的错误数据进行修复。
Step3：对于异常监控点X所处的所有路段均按上述估算过程进行真实通过时间计算进行数据修复。总的时间复杂度为O(n)。
实施例2
一种路网中设备检测时间异常的识别方法，所述方法基于路网中固定采集设备，所述识别方法包括以下步骤：
首先结合路网中各监测点监测的历史数据对路网中各监测点的相邻监测点进行提取，以监测点A为例，提取监测点A的相邻监测点方法包括以下步骤：
车辆信息统计：根据历史数据将每个车辆的过车记录按时间顺序进行合并，得到多组包括车辆标识、前监测点、前通过时刻、后监测点、后通过时刻的车辆通行数据一；前通过时刻为通过前监测点的时刻，后通过时刻为通过后监测点的时刻；
数据滤除：过滤掉后通过时刻-前通过时刻的差值大于0.5h或差值为负的车辆通行数据，对通过各组(前监测点、后监测点)的通过车辆个数排序；
取通过车辆个数最多的一组(前监测点、后监测点)；
其中A为前监测点或后监测点时所有(前监测点、后监测点)中出现车辆次数最多的前N组，得到A监测点相邻的N个监测点；
实际应用中，检测点多设置在路网中的各道路路口，且道路多为 T字、十字等，以十字路口为例，每个监测点有4个相邻监测点，此时N取值为4。
对A监测点的监测点提取后进一步进行一下步骤对A监测点的设备是否设备检测时间异常进行识别：
信息采集：路网中，车辆通过各监测点时，监测点的监测设备实时采集包括监测设备物理位置、车辆标识信息、车辆通过的时刻等信息；
选取车辆通过A及与A相邻监测点的监测设备物理位置、车辆标识信息、车辆通过的时刻作为基础信息；
信息处理：利用基础信息计算在[t1，t2]时间段内先后通过A、B 两监测点间所有车辆在AB路段的平均行驶速度t2大于t1；
B为路网中与A相邻的一个监测点；
历史信息统计：根据历史记录数据计算所有车辆在[t1，t2]时段内先后通过A、B两监测点在AB路段的最高速度vmax和最低速度vmin；
判断识别：若在[vmin,vmax]内，则结果正常；否则，平均行驶速度为异常数据；在AB路段的平均行驶速度为异常数据时，若在同一时段内先后通过C、A两监测点间所有车辆在CA路段上行驶平均速度也出现异常，则判定A监测点设备存在时间信息异常，导致A监测点参与计算的路段均出现速度偏离正常速度区间的状况；
其中，C为路网中与A相邻的另一个监测点；
报警：对异常监测点设备进行报警提示。
其中，所有车辆平均行驶速度的计算方法为
其中，
Vi为车辆i在A、B两监测点间的速度，Lab为根据监测设备物理位置计算得到的A、B两监测点间距离；ta为车辆i通过A监测点的时刻；tb为车辆i通过B监测点的时刻，ta,tb∈[t1,t2]，t2小于t1+0.5h。
t2大于t1，监测点通过顺序为有向，即连续通过A、B监测点的速度VAB和连续通过B、A监测点的速度VBA是分别计算，并不相同；t2小于t1+0.5h，根据大量数据统计分布可知，车辆连续行驶通过相邻监测点通常不超过0.5h，超过0.5h认为途中有停留，故对t2取值进行限制，以保证数据的准确性。
历史记录为历史3-12个月的数据。
固定采集设备为基于磁频、波频或视频的监测器。
在上述识别方法识别出路网中设备检测时间异常的监测点后，可采用下述方法对时差进行估算，以异常监测点X为例，估算方法如下：监测点提取：根据历史数据将每个车辆的过车记录进行合并，得到多组包括车辆标识、前监测点、前通过时刻、X监测点、X通过时刻、后监测点、后通过时刻的数据；其中前通过时刻<X通过时刻<后通过时刻；对通过各组(前监测点、X监测点、后监测点)的通过车辆个数排序；
取通过车辆个数最多的一组(前监测点、X监测点、后监测点)；
数据修复：计算先后通过Y、Z监测点的所有车辆在YZ路段平均行驶速度V′，以V′作为车辆从Y至X，和X至Z的速度的估算结果，结合YX路段的距离(或XZ路段)、车辆通过Y监测点(或Z监测点) 的时刻来计算车辆通过X监测点的时刻对X监测点的设备时刻进行校正并对之前由异常设备导致计算出的错误数据进行修复；
其中，Y为取得的前监测点、Z为取得的后监测点。
Claims (9)
1.一种路网中设备检测时间异常的识别方法，其特征在于，所述方法基于路网中固定采集设备，所述识别方法包括以下步骤：
信息采集：车辆通过各监测点时，监测点的监测设备实时采集监测设备物理位置、车辆标识信息、车辆通过的时刻；
信息处理：计算在[t1，t2]时间段内先后通过A、B两监测点所有车辆在AB路段的平均行驶速度t2大于t1；
其中，A为路网中任一监测点，B为路网中与A相邻的一个监测点；
历史信息统计：根据历史记录数据计算所有车辆在[t1，t2]时段内先后通过A、B两监测点在AB路段的最高速度vmax和最低速度vmin；
判断识别：若在[vmin,vmax]内，则结果正常；否则，平均行驶速度为异常数据；在AB路段的平均行驶速度为异常数据时，若在同一时段内通过C、A两监测点间所有车辆行驶平均速度也出现异常，则判定A监测点设备存在时间信息异常，导致A监测点参与计算的路段均出现速度偏离正常速度区间的状况；
其中，C为路网中与A相邻的另一个监测点；
报警：对异常监测点设备进行报警提示。
2.如权利要求1所述识别方法，其特征在于，所述所有车辆平均行驶速度的计算方法为
其中，
Vi为车辆i在A、B两监测点间的速度，Lab为根据监测设备物理位置计算得到的A、B两监测点间距离；ta为车辆i通过A监测点的时刻；tb为车辆i通过B监测点的时刻，ta,tb∈[t1,t2]。
3.如权利要求1所述识别方法，其特征在于，A监测点相邻的监测点的查找方法具体为：
车辆信息统计：根据历史数据将每个车辆的过车记录按时间顺序进行合并，得到多组包括车辆标识、前监测点、前通过时刻、后监测点、后通过时刻的车辆通行数据；前通过时刻为通过前监测点的时刻，后通过时刻为通过后监测点的时刻；
数据滤除：过滤掉后通过时刻-前通过时刻的差值大于0.5h或差值为负的车辆通行数据，计算M1＝f(x1,x2)；
X1，X2为路网中任意两个检测点；
M1表示先后通过前监测点X1和后监测点X2的车辆的个数；
对不同(前监测点、后监测点)的M1排序；
取M最大的N对(前监测点、后监测点)；
其中A为前监测点或后监测点时所有(前监测点、后监测点)中出现车辆次数最多的前N对，得到A监测点相邻的N个监测点；
N的取值结合路网中各监测点可存在的相邻监测点的最大值设置。
4.如权利要求1所述识别方法，其特征在于，所述历史记录为历史3-12个月的数据。
5.如权利要求1所述识别方法，其特征在于，t2小于t1+0.5h。
6.如权利要求3所述识别方法，其特征在于，路网中道路为十字路，N取4。
7.如权利要求1-6任一所述识别方法，其特征在于，所述固定采集设备为基于磁频、波频或视频的监测器。
8.一种路网中设备检测时间异常的真实时差估算方法，其特征在于，所述估算方法为：
监测点提取：根据历史数据将每个车辆的过车记录进行合并，得到多组包括车辆标识、前监测点、前通过时刻、X监测点、X通过时刻、后监测点、后通过时刻的数据；其中前通过时刻<X通过时刻<后通过时刻；计算M2＝f(x1,X,x2)；
X1，X2为路网中任意两个检测点；X为设备检测时间异常监测点
M2表示先后通过前监测点X1、X监测点和后监测点X2的车辆的个数；
对不同(前监测点、X监测点、后监测点)的M2排序；
取M2最大的(前监测点、X监测点、后监测点)；
数据修复：计算先后通过Y、Z监测点的所有车辆在YZ路段平均行驶速度V′，以V′作为车辆从Y至X，和X至Z的估算结果，对之前由异常设备导致计算出的错误数据进行修复；
其中，Y为监测点提取取得的前监测点、Z为监测点提取取得的后监测点。
9.如权利要求8所述真实时差估算方法，其特征在于，采用如权利要求1-6任一所述识别方法识别设备检测时间异常监测点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710405357.1A CN107146409B (zh) | 2017-06-01 | 2017-06-01 | 路网中设备检测时间异常的识别和真实时差估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710405357.1A CN107146409B (zh) | 2017-06-01 | 2017-06-01 | 路网中设备检测时间异常的识别和真实时差估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107146409A true CN107146409A (zh) | 2017-09-08 |
| CN107146409B CN107146409B (zh) | 2019-11-19 |
Family
ID=59780482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710405357.1A Active CN107146409B (zh) | 2017-06-01 | 2017-06-01 | 路网中设备检测时间异常的识别和真实时差估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107146409B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264722A (zh) * | 2019-07-03 | 2019-09-20 | 泰华智慧产业集团股份有限公司 | 信息采集设备中异常设备的筛选方法及系统 |
| CN111724590A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 基于行程时间修正的高速公路异常事件发生时间估计方法 |
| CN111932872A (zh) * | 2020-06-29 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
| CN111932877A (zh) * | 2020-08-07 | 2020-11-13 | 公安部交通管理科学研究所 | 一种基于车牌数据的路段交通异常状态识别方法 |
| CN113190997A (zh) * | 2021-04-29 | 2021-07-30 | 贵州数据宝网络科技有限公司 | 一种大数据终端数据修复方法及系统 |
| CN115600045A (zh) * | 2022-11-30 | 2023-01-13 | 中国人民解放军海军工程大学（Cn） | 采用通用检测工具检测的平均检测时间计算方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004021302A (ja) * | 2002-06-12 | 2004-01-22 | Toshiba Corp | 突発事象検出装置 |
| CN101246645A (zh) * | 2008-04-01 | 2008-08-20 | 东南大学 | 一种识别离群交通数据的方法 |
| CN102062866A (zh) * | 2010-10-14 | 2011-05-18 | 北京交通发展研究中心 | 计算两地理位置之间的旅行速度的方法及装置 |
| CN102521965A (zh) * | 2011-12-09 | 2012-06-27 | 同济大学 | 基于车牌识别数据的交通需求管理措施效果评价方法 |
| CN102881162A (zh) * | 2012-09-29 | 2013-01-16 | 北京市交通信息中心 | 大规模交通信息的数据处理及融合方法 |
-
2017
- 2017-06-01 CN CN201710405357.1A patent/CN107146409B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004021302A (ja) * | 2002-06-12 | 2004-01-22 | Toshiba Corp | 突発事象検出装置 |
| CN101246645A (zh) * | 2008-04-01 | 2008-08-20 | 东南大学 | 一种识别离群交通数据的方法 |
| CN102062866A (zh) * | 2010-10-14 | 2011-05-18 | 北京交通发展研究中心 | 计算两地理位置之间的旅行速度的方法及装置 |
| CN102521965A (zh) * | 2011-12-09 | 2012-06-27 | 同济大学 | 基于车牌识别数据的交通需求管理措施效果评价方法 |
| CN102881162A (zh) * | 2012-09-29 | 2013-01-16 | 北京市交通信息中心 | 大规模交通信息的数据处理及融合方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264722A (zh) * | 2019-07-03 | 2019-09-20 | 泰华智慧产业集团股份有限公司 | 信息采集设备中异常设备的筛选方法及系统 |
| CN111724590A (zh) * | 2020-06-03 | 2020-09-29 | 重庆大学 | 基于行程时间修正的高速公路异常事件发生时间估计方法 |
| CN111932872A (zh) * | 2020-06-29 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
| CN111932877A (zh) * | 2020-08-07 | 2020-11-13 | 公安部交通管理科学研究所 | 一种基于车牌数据的路段交通异常状态识别方法 |
| CN111932877B (zh) * | 2020-08-07 | 2022-06-17 | 公安部交通管理科学研究所 | 一种基于车牌数据的路段交通异常状态识别方法 |
| CN113190997A (zh) * | 2021-04-29 | 2021-07-30 | 贵州数据宝网络科技有限公司 | 一种大数据终端数据修复方法及系统 |
| CN115600045A (zh) * | 2022-11-30 | 2023-01-13 | 中国人民解放军海军工程大学（Cn） | 采用通用检测工具检测的平均检测时间计算方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107146409B (zh) | 2019-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107146409B (zh) | 路网中设备检测时间异常的识别和真实时差估算方法 | |
| CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
| CN109887281B (zh) | 一种监控交通事件的方法及系统 | |
| WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
| US11361556B2 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
| CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
| CN111105437B (zh) | 车辆轨迹异常判断方法及装置 | |
| CN105931458B (zh) | 一种路面交通流量检测设备可信度评估的方法 | |
| Kazagli et al. | Estimation of arterial travel time from automatic number plate recognition data | |
| CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
| CN113139410B (zh) | 路面检测方法、装置、设备及存储介质 | |
| CN111199647B (zh) | 一种道路车辆连续变道和违规掉头的监控视频检测方法 | |
| CN100466010C (zh) | 异类交通信息实时融合方法 | |
| CN116644373A (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
| CN115331425B (zh) | 一种交通预警方法、装置和系统 | |
| CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
| WO2017107790A1 (zh) | 一种基于大数据预测路段状况的方法及装置 | |
| CN103413046A (zh) | 车流量统计方法 | |
| CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
| WO2019059090A1 (ja) | 車両台数計測システム | |
| Moghaddam et al. | Algorithm for detecting outliers in Bluetooth data in real time | |
| US20120253648A1 (en) | Apparatus and method for generating traffic information | |
| CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
| Brunauer et al. | Deriving driver-centric travel information by mining delay patterns from single GPS trajectories | |
| Li et al. | A video-based algorithm for moving objects detection at signalized intersection |
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 | ||
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20220726 Granted publication date: 20191119 |