CN107730882A - 基于人工智能的道路拥堵预测系统及方法 - Google Patents
基于人工智能的道路拥堵预测系统及方法 Download PDFInfo
- Publication number
- CN107730882A CN107730882A CN201710809510.7A CN201710809510A CN107730882A CN 107730882 A CN107730882 A CN 107730882A CN 201710809510 A CN201710809510 A CN 201710809510A CN 107730882 A CN107730882 A CN 107730882A
- Authority
- CN
- China
- Prior art keywords
- sample
- congestion
- unobstructed
- time
- future 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
- G08G1/01—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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于人工智能的道路拥堵预测系统,其特征在于,包括以下模块:数据采集模块;拥堵模糊评级模块;样本生成模块;样本清洗模块;经过训练的BP网络。本发明的另一个技术方案是提供了一种基于人工智能的道路拥堵预测方法。本发明提供的一种基于人工智能的道路拥堵预测方法能够预测感兴趣道路将要发生拥堵的时间,预测的时间一方面可以在路况指示牌上显示出来,给司机预警,让司机能够在相应的时间绕开该路段,从而避免拥堵,另一方面也可以推送给相应的管理部门,让管理部门做出正确的规划,从而避免拥堵。
Description
技术领域
本发明涉及一种基于人工智能预测路段拥堵时间的系统及方法。
背景技术
交通拥堵已经成为各大城市出行的一道难题,如果能够预先知道道路的交通状态就可以采取预防措施。传统的路况预测都是基于历史数据,准确率不高。要想比较准确地预知未来,首先需要了解实时的交通情况。而实时路况的检测其实一直是个难题,主要是获得数据实时性不够、数据采集处理投入成本高、周期长。
发明内容
本发明的目的是:利用人工智能进行交通拥堵预测。
为了达到上述目的,本发明的技术方案是提供了一种基于人工智能的道路拥堵预测系统,其特征在于,包括以下模块:
数据采集模块,通过采集感兴趣道路入口处及出口处的视频数据来获得当前采样时刻的入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout;
拥堵模糊评级模块,用于对数据采集模块得到的数据进行拥堵评级,拥堵级别至少包括通畅及非通畅;
样本生成模块,用于获取数据采集模块在某一时间跨度内采样得的采样数据,每个采样数据为一个样本,通过拥堵模糊评级模块获得的每个样本所对应的拥堵评级,根据拥堵评级统计每个样本的非通畅未来时间,其中,非通畅未来时间定义为当前样本的样本时刻与其后最邻近的判定为非通畅的样本的样本时刻之间的时间跨度;
样本清洗模块,包括样本初步清洗模块以及样本深度清洗模块,其中:
样本初步清洗模块,用于去除样本生成模块所得到样本中的下列样本:
1)采样时刻属于夜间空闲时间的样本;
2)采样时刻属于节假日的样本;
3)采样时刻发生突发事件的样本;
样本深度清洗模块,用于去除样本生成模块所得到样本中的下列样本:
若连续A小时以上的样本的非通畅未来时间都超过B小时,A>B,则将连续A小时以上的样本都清除;
经过训练的BP网络,用于根据数据采集模块实时采集的数据对非通畅未来时间进行预测,其中,通过样本生成模块生成且经过样本清洗模块清洗的样本对BP网络进行训练,输入量是入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,教师量是每个样本的非通畅未来时间,将BP网络输出的预测时间与教师量的偏差返回BP网络,计算隐层单元的误差,求误差梯度,更新权值后再次训练BP网络,直至误差满足要求。
优选地,所述数据采集模块先检测视频数据中当前视频帧中的运动目标,随后提取运动目标的目标特征,根据目标特征识别并跟踪后续视频帧中的同一运动目标,从而计算得到平均车速及车流量。
优选地,在所述拥堵级别中,非通畅包括拥堵及通行缓慢;
则所述非通畅未来时间包括拥堵未来时间Tcong及通行缓慢未来时间Tslo,拥堵未来时间Tcong定义为当前样本的样本时刻与其后最邻近的判定为拥堵的样本的样本时刻之间的时间跨度,通行缓慢未来时间Tslo定义为当前样本的样本时刻与其后最邻近的判定为通行缓慢的样本的样本时刻之间的时间跨度。
本发明的另一个技术方案是提供了一种基于人工智能的道路拥堵预测方法,其特征在于,包括以下步骤:
步骤1、采集感兴趣道路在某一时间跨度内的样本数据,其中,采样时间步长为T分钟,每个样本包括采样时刻、入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,每次采样时获取感兴趣道路入口处及出口处的视频,根据视频得到入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout;
步骤2、给出每个样本的拥堵模糊评级,拥堵级别至少包括通畅及非通畅;
步骤3、统计每个样本的非通畅,其中,非通畅未来时间定义为当前样本的样本时刻与其后最邻近的判定为非通畅的样本的样本时刻之间的时间跨度;
步骤4、对上一步得到的样本进行初步清洗,将下列样本去除:
1)采样时刻属于夜间空闲时间的样本;
2)采样时刻属于节假日的样本;
3)采样时刻发生突发事件的样本;
步骤5、对上一步得到的样本进行深度清洗,将下列样本去除:
若连续A小时以上的样本的非通畅未来时间都超过B小时,A>B,则将连续A小时以上的样本都清除;
步骤6、利用上一步得到的样本及对应的非通畅未来时间训练BP网络,BP网络的输入量是每个样本的入口平均车速Vin、入口车流量Cin、出口平均车速Vout及出口车流量Cout,BP网络的教师量是每个样本的非通畅未来时间,将BP网络输出的预测时间与教师量的偏差返回BP网络,计算隐层单元的误差,求误差梯度,更新权值后再次训练BP网络,直至误差满足要求;
步骤7、通过获取感兴趣道路入口处及出口处的实时视频,实时计算得到入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,并拥进行堵模糊评级,判断感兴趣道路的拥堵级别为通畅或非通畅,同时将入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout输入训练后的BP网络,得到当前时刻对应的非通畅未来时间的预测量。
优选地,所述T=3~5分钟。
优选地,步骤2中,所述非通畅级别包括通行缓慢及拥堵;
步骤3中,所述非通畅未来时间包括拥堵未来时间Tcong及通行缓慢未来时间Tslo,拥堵未来时间Tcong定义为当前样本的样本时刻与其后最邻近的判定为拥堵的样本的样本时刻之间的时间跨度,通行缓慢未来时间Tslo定义为当前样本的样本时刻与其后最邻近的判定为通行缓慢的样本的样本时刻之间的时间跨度;
步骤6中的教师量为拥堵未来时间Tcong及通行缓慢未来时间Tslo;
步骤7中,得到当前时刻对应的拥堵未来时间Tcong及通行缓慢未来时间Tslo的预测量。
如权利要求1所述的一种基于BP网络预测路段拥堵时间的方法,其特征在于,所述BP网络的输入激发函数及输出激发函数均选用sigmoid函数,学习方法采用梯度下降法,精度0.1。
本发明提供的一种基于人工智能的道路拥堵预测方法能够预测感兴趣道路将要发生拥堵的时间,预测的时间一方面可以在路况指示牌上显示出来,给司机预警,让司机能够在相应的时间绕开该路段,从而避免拥堵,另一方面也可以推送给相应的管理部门,让管理部门做出正确的规划,从而避免拥堵。
附图说明
图1为本发明中的视频数据处理的流程图;
图2为本发明中的生成样本空间的流程图;
图3为BP网络预测训练流程的流程图;
图4为BP网络拓扑图,图2中的ωij表示输入层第i个神经元与隐含层第j个神经元之间连接的权值、ωjk表示隐含层第j个神经元与输出层第k个神经元之间连接的权值。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
本发明提供了一种基于人工智能的道路拥堵预测方法,包括以下步骤:
本发明采用了BP网络对感兴趣道路的拥堵情况进行预测,因此,首先需要对BP网络进行训练,结合图1,本实施例中,对BP网络的训练包括以下步骤:
步骤1、采集感兴趣道路在某一时间跨度内的样本数据,其中,采样时间步长为3~5分钟,原始数据采集的时间步长直接影响预测结果的精度,时间步长太短会增加训练网络的时间成本,过长预测会降低出行决策依据的时效性。
本发明通过获取感兴趣道路入口处的视频及出口处的视频来获取采样数据。结合图1,具体处理过程为:
采集得到视频流后,先对视频流进行冗余去噪,从而降低后续的计算量。对视频流中当前视频帧中的运动目标进行检测,提取运动目标的目标特征,根据目标特征对后续视频帧中的同一运动目标进行识别及跟踪,从而得到所有运动目标的总数量,以及每个运动目标的速度。
依据上述处理过程,可以计算得到入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout。从而每个采样时刻的样本就包括了当前采样时刻、入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout。
步骤2、对步骤1得到每个样本进行拥堵模糊评级。本实施例中,拥堵级别包括通畅、通行缓慢及拥堵,分别定义通行缓慢未来时间Tslo及拥堵未来时间Tcong。
拥堵未来时间Tcong定义为当前样本的样本时刻与其后最邻近的判定为拥堵的样本的样本时刻之间的时间跨度。通行缓慢未来时间Tslo定义为当前样本的样本时刻与其后最邻近的判定为通行缓慢的样本的样本时刻之间的时间跨度
本实施例中,通行缓慢未来时间Tslo及拥堵未来时间Tcong均不宜超过1~1.5个小时。普通城市道路预测超出这个范围时,将导致时效性将降低,从而导致预测结果的参考价值降低。对于高速道路的拥堵未来时间可以根据试验后的经验值做出调整,这里不详细展开。
根据上述定义及对缓慢未来时间Tslo及拥堵未来时间Tcong的限制,统计每个样本的缓慢未来时间Tslo及拥堵未来时间Tcong。
步骤3、样本的清洗
结合图2,对样本的清洗可以避免BP算法陷入局部极值。本实施例中,样本的清洗包括初步清洗及深度清洗,其中:
初步清洗时将下列样本去除:
1)采样时刻属于夜间空闲时间的样本;
2)采样时刻属于节假日的样本;
3)采样时刻发生突发事件的样本。
样本深度清洗时将下列样本去除:
若连续2小时以上的样本的拥堵未来时间都超过1小时,则将这些连续2小时以上的样本都清除。
步骤4、利用上一步得到的样本及对应的缓慢未来时间Tslo及拥堵未来时间Tcong训练BP网络。即BP网络的输入量是每个样本的入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,BP网络的教师量是每个样本的缓慢未来时间Tslo及拥堵未来时间Tcong。将BP网络输出的缓慢未来时间Tslo及拥堵未来时间Tcong的预测时间与教师量的偏差返回BP网络,计算隐层单元的误差,求误差梯度,更新权值后再次训练BP网络,直至误差满足要求。
BP网络的输入激发函数及输出激发函数均选用sigmoid函数,学习方法采用梯度下降法,精度0.1。
步骤5、利用与步骤1相类似的方法,获得实时的感兴趣道路的入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,根据入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout对感兴趣道路进行当前时刻的拥堵模糊评级,判断感兴趣道路在当前时刻是通畅、通行缓慢或拥堵。再将实时的入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout输入输入训练后的BP网络,得到当前时刻对应的缓慢未来时间Tslo及拥堵未来时间Tcong的预测量。
Claims (7)
1.一种基于人工智能的道路拥堵预测系统,其特征在于,包括以下模块:
数据采集模块,通过采集感兴趣道路入口处及出口处的视频数据来获得当前采样时刻的入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout;
拥堵模糊评级模块,用于对数据采集模块得到的数据进行拥堵评级,拥堵级别至少包括通畅及非通畅;
样本生成模块,用于获取数据采集模块在某一时间跨度内采样得的采样数据,每个采样数据为一个样本,通过拥堵模糊评级模块获得的每个样本所对应的拥堵评级,根据拥堵评级统计每个样本的非通畅未来时间,其中,非通畅未来时间定义为当前样本的样本时刻与其后最邻近的判定为非通畅的样本的样本时刻之间的时间跨度;
样本清洗模块,包括样本初步清洗模块以及样本深度清洗模块,其中:
样本初步清洗模块,用于去除样本生成模块所得到样本中的下列样本:
1)采样时刻属于夜间空闲时间的样本;
2)采样时刻属于节假日的样本;
3)采样时刻发生突发事件的样本;
样本深度清洗模块,用于去除样本生成模块所得到样本中的下列样本:
若连续A小时以上的样本的非通畅未来时间都超过B小时,A>B,则将连续A小时以上的样本都清除;
经过训练的BP网络,用于根据数据采集模块实时采集的数据对非通畅未来时间进行预测,其中,通过样本生成模块生成且经过样本清洗模块清洗的样本对BP网络进行训练,输入量是入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,教师量是每个样本的非通畅未来时间,将BP网络输出的预测时间与教师量的偏差返回BP网络,计算隐层单元的误差,求误差梯度,更新权值后再次训练BP网络,直至误差满足要求。
2.如权利要求1所述的一种基于人工智能的道路拥堵预测系统,其特征在于,所述数据采集模块先检测视频数据中当前视频帧中的运动目标,随后提取运动目标的目标特征,根据目标特征识别并跟踪后续视频帧中的同一运动目标,从而计算得到平均车速及车流量。
3.如权利要求1所述的一种基于人工智能的道路拥堵预测系统,其特征在于,在所述拥堵级别中,非通畅包括拥堵及通行缓慢;
则所述非通畅未来时间包括拥堵未来时间Tcong及通行缓慢未来时间Tslo,拥堵未来时间Tcong定义为当前样本的样本时刻与其后最邻近的判定为拥堵的样本的样本时刻之间的时间跨度,通行缓慢未来时间Tslo定义为当前样本的样本时刻与其后最邻近的判定为通行缓慢的样本的样本时刻之间的时间跨度。
4.一种基于人工智能的道路拥堵预测方法,其特征在于,包括以下步骤:
步骤1、采集感兴趣道路在某一时间跨度内的样本数据,其中,采样时间步长为T分钟,每个样本包括采样时刻、入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,每次采样时获取感兴趣道路入口处及出口处的视频,根据视频得到入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout;
步骤2、给出每个样本的拥堵模糊评级,拥堵级别至少包括通畅及非通畅;
步骤3、统计每个样本的非通畅,其中,非通畅未来时间定义为当前样本的样本时刻与其后最邻近的判定为非通畅的样本的样本时刻之间的时间跨度;
步骤4、对上一步得到的样本进行初步清洗,将下列样本去除:
1)采样时刻属于夜间空闲时间的样本;
2)采样时刻属于节假日的样本;
3)采样时刻发生突发事件的样本;
步骤5、对上一步得到的样本进行深度清洗,将下列样本去除:
若连续A小时以上的样本的非通畅未来时间都超过B小时,A>B,则将连续A小时以上的样本都清除;
步骤6、利用上一步得到的样本及对应的非通畅未来时间训练BP网络,BP网络的输入量是每个样本的入口平均车速Vin、入口车流量Cin、出口平均车速Vout及出口车流量Cout,BP网络的教师量是每个样本的非通畅未来时间,将BP网络输出的预测时间与教师量的偏差返回BP网络,计算隐层单元的误差,求误差梯度,更新权值后再次训练BP网络,直至误差满足要求;
步骤7、通过获取感兴趣道路入口处及出口处的实时视频,实时计算得到入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout,并拥进行堵模糊评级,判断感兴趣道路的拥堵级别为通畅或非通畅,同时将入口平均车速Vin、入口车流量Cin、出口平均车速Vout、出口车流量Cout输入训练后的BP网络,得到当前时刻对应的非通畅未来时间的预测量。
5.如权利要求4所述的一种基于人工智能的道路拥堵预测方法,其特征在于,所述T=3~5分钟。
6.如权利要求4所述的一种基于人工智能的道路拥堵预测方法,其特征在于,步骤2中,所述非通畅级别包括通行缓慢及拥堵;
步骤3中,所述非通畅未来时间包括拥堵未来时间Tcong及通行缓慢未来时间Tslo,拥堵未来时间Tcong定义为当前样本的样本时刻与其后最邻近的判定为拥堵的样本的样本时刻之间的时间跨度,通行缓慢未来时间Tslo定义为当前样本的样本时刻与其后最邻近的判定为通行缓慢的样本的样本时刻之间的时间跨度;
步骤6中的教师量为拥堵未来时间Tcong及通行缓慢未来时间Tslo;
步骤7中,得到当前时刻对应的拥堵未来时间Tcong及通行缓慢未来时间Tslo的预测量。
7.如权利要求4所述的一种基于人工智能的道路拥堵预测方法,其特征在于,所述BP网络的输入激发函数及输出激发函数均选用sigmoid函数,学习方法采用梯度下降法,精度0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710809510.7A CN107730882B (zh) | 2017-09-08 | 2017-09-08 | 基于人工智能的道路拥堵预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710809510.7A CN107730882B (zh) | 2017-09-08 | 2017-09-08 | 基于人工智能的道路拥堵预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730882A true CN107730882A (zh) | 2018-02-23 |
CN107730882B CN107730882B (zh) | 2021-07-27 |
Family
ID=61205922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710809510.7A Active CN107730882B (zh) | 2017-09-08 | 2017-09-08 | 基于人工智能的道路拥堵预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730882B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020083399A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 基于交通流数据的协调干线线路规划方法及配置系统 |
CN111932883A (zh) * | 2020-08-13 | 2020-11-13 | 上海电科市政工程有限公司 | 一种利用路侧设备广播通信指导无人驾驶的方法 |
CN113256973A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842219A (zh) * | 2012-08-29 | 2012-12-26 | 苏州大学 | 预测方法和系统 |
DE102012024166A1 (de) * | 2012-12-08 | 2013-07-11 | Daimler Ag | Warnen eines Fahrers eines Kraftfahrzeugs vor einer Staufront mit Hilfe einer korrigierten Prognosefunktion |
CN103903468A (zh) * | 2012-12-25 | 2014-07-02 | 上海博泰悦臻电子设备制造有限公司 | 道路拥堵时间预警方法及装置 |
CN106779198A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况分析方法 |
-
2017
- 2017-09-08 CN CN201710809510.7A patent/CN107730882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842219A (zh) * | 2012-08-29 | 2012-12-26 | 苏州大学 | 预测方法和系统 |
DE102012024166A1 (de) * | 2012-12-08 | 2013-07-11 | Daimler Ag | Warnen eines Fahrers eines Kraftfahrzeugs vor einer Staufront mit Hilfe einer korrigierten Prognosefunktion |
CN103903468A (zh) * | 2012-12-25 | 2014-07-02 | 上海博泰悦臻电子设备制造有限公司 | 道路拥堵时间预警方法及装置 |
CN106779198A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况分析方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020083399A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 基于交通流数据的协调干线线路规划方法及配置系统 |
CN111932883A (zh) * | 2020-08-13 | 2020-11-13 | 上海电科市政工程有限公司 | 一种利用路侧设备广播通信指导无人驾驶的方法 |
CN113256973A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107730882B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
Kumar et al. | Short term traffic flow prediction in heterogeneous condition using artificial neural network | |
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
CN108399745B (zh) | 一种基于无人机的分时段城市路网状态预测方法 | |
Liu et al. | Predicting urban arterial travel time with state-space neural networks and Kalman filters | |
CN110276950B (zh) | 一种基于卡口视频数据的城市交通出行链重构方法 | |
CN101593424B (zh) | 一种短时交通流智能组合预测方法 | |
CN109697852A (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN111951553B (zh) | 一种基于交通大数据平台与中观仿真模型的预测方法 | |
CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN109544916B (zh) | 一种基于抽样轨迹数据的路网车辆od估计方法 | |
CN107730882A (zh) | 基于人工智能的道路拥堵预测系统及方法 | |
Padiath et al. | Prediction of traffic density for congestion analysis under Indian traffic conditions | |
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
CN112542049A (zh) | 智慧交通综合管控平台 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN111986483A (zh) | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 | |
CN116052435A (zh) | 一种城市道路拥堵影响范围界定与道路影响力计算方法 | |
Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
Salim et al. | Estimation of average space headway under heterogeneous traffic conditions | |
Liu et al. | Developments and applications of simulation-based online travel time prediction system: traveling to Ocean City, Maryland |
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 |