CN107832890A - 一种拥堵预测方法和装置 - Google Patents
一种拥堵预测方法和装置 Download PDFInfo
- Publication number
- CN107832890A CN107832890A CN201711131083.8A CN201711131083A CN107832890A CN 107832890 A CN107832890 A CN 107832890A CN 201711131083 A CN201711131083 A CN 201711131083A CN 107832890 A CN107832890 A CN 107832890A
- Authority
- CN
- China
- Prior art keywords
- monitor area
- data message
- parameter value
- default
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 142
- 241000208340 Araliaceae Species 0.000 claims abstract description 50
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims abstract description 50
- 235000003140 Panax quinquefolius Nutrition 0.000 claims abstract description 50
- 235000008434 ginseng Nutrition 0.000 claims abstract description 50
- 230000001934 delay Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000010219 correlation analysis Methods 0.000 claims description 17
- 230000003111 delayed effect Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种拥堵预测方法和装置，所述方法包括：接收第一管制传感器发送的第一数据信息，获取第一数据信息中的第一特征参数值；根据第一监控区域，及预设的关联组，确定关联的第二监控区域；接收第二管制传感器发送的第二数据信息，获取第二数据信息中的第二特征参数值；根据第一特征参数值和第二特征参数值，及预先训练完成的监控模型，确定第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。由于在本发明实施例中，针对每个监控区域保存有关联组，因此当进行拥堵预测时，根据第一监控区域及关联的第二监控区域的特征参数值及监控模型，确定第一监控区域的拥堵信息。因此，提高了拥堵预测的准确率。
Description
技术领域
本发明涉及监控领域，尤其涉及一种拥堵预测方法和装置。
背景技术
随着科学技术的快速发展，监控设备在治安监管方面起到越来越重要的作用，例如辅助公安交警对治安情况进行管理，对马路拥堵情况的监控以及对一些重大考试的监管。
常用的监控设备主要包括监控摄像头和管制传感器等，监控摄像头的主要功能是对被监控目标进行图像和视频的采集。监控摄像头主要包括马路治安监控摄像头：一般这类摄像头视野宽阔，主要辅助监管人员查看马路治安情况，没有报警功能；监控摄像头还包括特殊用途监控摄像头：例如重大考试监考摄像头，用于采集考场的图像和视频。管制传感器的主要功能是采集被监控目标的各类数据信息。例如，测速管制传感器采集车辆的平均速度，违规监控管制传感器采集车辆违规行为次数，浮动车管制传感器采集车辆的拥堵时长和拥堵等级等等。这些监控设备的存在大大简化了监控监管的过程。
现有技术中，通过监控模型对监控区域进行拥堵预测时，针对每个监控区域，接收布置在该监控区域的管制传感器传输的特征参数，提取特征参数值，将该监控区域的特征参数值输入到该监控区域的监控模型，得到该监控区域的预测结果。但是，针对每个监控区域，当出现交通拥堵时，与该监控区域相邻的其他监控区域也可能对该监控区域的拥堵情况产生影响，现有技术中在对监控区域进行拥堵预测时，只是根据该监控区域的特征参数值进行预测，并未考虑其他监控区域对该监控区域的影响，因此，会使得拥堵预测的准确率较低。
发明内容
本发明实施例提供了一种拥堵预测方法和装置，用以解决现有技术中的拥堵预测准确率较低的问题。
本发明实施例提供了一种拥堵预测方法，所述方法包括：
接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值；
根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在所述第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取所述第二数据信息中对应所述目标特征参数的第二特征参数值；
根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。
进一步地，预设所述目标特征参数的过程包括：
根据包含所述第一监控区域在内的，预设范围内的每个监控区域的每个管制传感器发送的第一时间段的数据信息，及预设的特征参数，获取所述数据信息中对应所述特征参数的特征参数值；
根据所述特征参数值，和所述第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵信息，采用相关性分析算法，确定特征参数值与所述拥堵信息的相关性；
将与所述拥堵时长或拥堵等级的相关性小于预设的第一阈值的特征参数值对应的特征参数，作为所述目标特征参数并保存。
进一步地，预设关联组的过程包括：
将所述第一监控区域作为目标监控区域，针对与所述目标监控区域相邻的第三监控区域，根据所述第一管制传感器发送的第二时间段的第三数据信息，和部署在第三监控区域内的第三管制传感器发送的第二时间段的第四数据信息，获取所述第三数据信息中与所述目标特征参数对应的第三特征参数值，和所述第四数据信息中与所述目标特征参数对应的第四特征参数值；根据对应的第三特征参数值和第四特征参数值，以及相关性分析算法，确定所述目标监控区域与第三监控区域的相关性；
将相关性小于预设的第三阈值的第三监控区域，确定为与所述目标监控区域关联的第四监控区域；
将所述第四监控区域作为目标监控区域，确定与所述第四监控区域关联的第五监控区域；
将所述第四监控区域和第五监控区域作为第二监控区域，将所述第一监控区域和第二监控区域的并集，保存在一个关联组中。
进一步地，预先对所述监控模型的训练过程包括：
根据所述第一管制传感器发送的第五数据信息，以及所述第二管制传感器发送的第六数据信息，获取所述第五数据信息中与所述目标特征参数对应的第五特征参数值，并获取所述第六数据信息中与所述目标特征参数对应的第六特征参数值；
根据获取的第五特征参数值和第六特征参数值，以及获取第五特征参数值和第六特征参数值的时间段延后第一时间长度时获取的所述第一监控区域的拥堵信息，对监控模型进行训练。
进一步地，所述拥堵信息包括：拥堵时长和拥堵等级。
进一步地，所述方法还包括：
根据所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级，输出对应的提示信息。
另一方面，本发明实施例提供了一种拥堵预测装置，所述装置包括：
接收模块，用于接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值；
获取模块，用于根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在所述第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取所述第二数据信息中对应所述目标特征参数的第二特征参数值；
确定模块，用于根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。
进一步地，所述装置还包括：
第一保存模块，用于根据包含所述第一监控区域在内的，预设范围内的每个监控区域的每个管制传感器发送的第一时间段的数据信息，及预设的特征参数，获取所述数据信息中对应所述特征参数的特征参数值；根据所述特征参数值，和所述第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵信息，采用相关性分析算法，确定特征参数值与所述拥堵信息的相关性；将与所述拥堵信息的相关性小于预设的第一阈值的特征参数值对应的特征参数，作为所述目标特征参数并保存。
进一步地，所述装置还包括：
第二保存模块，用于将所述第一监控区域作为目标监控区域，针对与所述目标监控区域相邻的第三监控区域，根据所述第一管制传感器发送的第二时间段的第三数据信息，和部署在第三监控区域内的第三管制传感器发送的第二时间段的第四数据信息，获取所述第三数据信息中与所述目标特征参数对应的第三特征参数值，和所述第四数据信息中与所述目标特征参数对应的第四特征参数值；根据对应的第三特征参数值和第四特征参数值，以及相关性分析算法，确定所述目标监控区域与第三监控区域的相关性；将相关性小于预设的第三阈值的第三监控区域，确定为与所述目标监控区域关联的第四监控区域；将所述第四监控区域作为目标监控区域，确定与所述第四监控区域关联的第五监控区域；将所述第四监控区域和第五监控区域作为第二监控区域，将所述第一监控区域和第二监控区域的并集，保存在一个关联组中。
进一步地，所述装置还包括：
训练模块，用于根据所述第一管制传感器发送的第五数据信息，以及所述第二管制传感器发送的第六数据信息，获取所述第五数据信息中与所述目标特征参数对应的第五特征参数值，并获取所述第六数据信息中与所述目标特征参数对应的第六特征参数值；根据获取的第五特征参数值和第六特征参数值，以及获取第五特征参数值和第六特征参数值的时间段延后第一时间长度时获取的所述第一监控区域的拥堵信息，对监控模型进行训练。
进一步地，所述确定模块，具体用于根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级。
进一步地，所述装置还包括：
输出模块，用于根据所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级，输出对应的提示信息。
本发明实施例提供了一种拥堵预测方法和装置，所述方法包括：接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值；根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在所述第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取所述第二数据信息中对应所述目标特征参数的第二特征参数值；根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。
由于在本发明实施例中，针对每个监控区域保存有关联组，因此当进行拥堵预测时，根据第一监控区域及确定的与第一监控区域关联的第二监控区域，对应目标特征参数的特征参数值及监控模型，确定所述第一监控区域在当前时间段延后预设的第一时间长度时的拥堵信息。因此，提高了拥堵预测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种拥堵预测过程示意图；
图2为包含第一监控区域在内的预设范围内的每个监控区域示意图；
图3为确定的监控区域的关联组示意图；
图4为进行拥堵预测的设备示意图；
图5为本发明实施例提供的一种拥堵预测装置结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的一种拥堵预测过程示意图，该过程包括以下步骤：
S101：接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值。
本发明实施例提供的拥堵预测方法应用于具有数据分析与机器学习能力的电子设备。
在第一监控区域内部署有多个第一管制传感器，多个第一管制传感器包括测速管制传感器、不文明监控管制传感器、违规监控管制传感器、以及浮动车管制传感器等等。每个第一管制传感器可以采集第一监控区域中当前时间段的第一数据信息，并将当前时间段的第一数据信息发送给电子设备。其中，每个第一数据信息中包括每个第一管制传感器采集的特征参数值。
电子设备中预设有进行拥堵预测的每个目标特征参数，接收到每个第一管制传感器发送的当前时间段的第一数据信息之后，根据预设的每个目标特征参数，获取每个第一数据信息中对应每个目标特征参数的每个第一特征参数值，其中，每个目标特征参数对应的每个第一特征参数值，一般都可以从第一数据信息中获取到。例如，预设的每个目标特征参数包括车辆的平均速度、车辆违规行为次数、以及不文明行为次数，则电子设备根据每个第一数据信息，获取当前时间段车辆的平均速度值、车辆违规行为次数值、以及不文明行为次数值。
S102：根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在所述第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取所述第二数据信息中对应所述目标特征参数的第二特征参数值。
电子设备中预设有关联组，即针对每个监控区域，保存有与该监控区域关联的其他监控区域，并将该监控区域和与该监控区域关联的其他监控区域保存到一个关联组中，该关联组中的监控区域之间相互关联。根据第一监控区域，及预设的关联组，确定与第一监控区域关联的每个第二监控区域。每个第二监控区域中部署有每个第二管制传感器。每个第二管制传感器可以采集第二监控区域中当前时间段的第二数据信息，并将当前时间段的第二数据信息发送给电子设备。电子设备根据预设的进行拥堵预测的每个目标特征参数，可以获取第二数据信息中对应每个目标特征参数的每个第二特征参数值。
S103：根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。
电子设备中预设有第一监控区域对应的预先训练完成的监控模型，电子设备在获取每个第一特征参数值和每个第二参数值之后，将每个第一特征参数值和每个第二特征参数值输入第一监控区域对应的预先训练完成的监控模型，监控模型根据输入的每个第一特征参数值和每个第二特征参数值，输出第一监控区域在当前时间段延后预设的第一时间长度时的拥堵信息。预设的第一时间长度可以为10分钟、15分钟等等。
由于在本发明实施例中，针对每个监控区域保存有其关联区域的信息，因此当进行拥堵预测时，根据第一监控区域，确定的与第一监控区域关联的每个第二监控区域及对应目标特征参数的每个特征参数值及监控模型，确定所述第一监控区域在当前时间段延后预设的第一时间长度时的拥堵信息。因此，提高了拥堵预测的准确率。
实施例2：
为了使对第一监控区域的拥堵预测更准确，电子设备中预设有与拥堵预测相关性高的目标特征参数。在上述实施例的基础上，在本发明实施例中，预设目标特征参数的过程包括：
根据包含所述第一监控区域在内的，预设范围内的每个监控区域的每个管制传感器发送的第一时间段的数据信息，及预设的特征参数，获取所述数据信息中对应所述特征参数的特征参数值；
根据所述特征参数值，和所述第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵信息，采用相关性分析算法，确定特征参数值与所述拥堵信息的相关性；
将与所述拥堵信息的相关性小于预设的第一阈值的特征参数值对应的特征参数，作为所述目标特征参数并保存。
电子设备获取部署在包含第一监控区域在内的，预设范围内的每个监控区域的每个管制传感器发送的第一时间段的每个数据信息。因为电子设备可以预知每个监控区域部署的管制传感器，而每种类型的管制传感器采集的数据信息的类型是固定的，因此特征参数也是固定的，例如测速管制传感器采集的为车辆的平均速度，违规监控管制传感器采集的为车辆违规行为次数，不文明监控管制传感器采集的为不文明行为次数等等。在本发明实施例中，预设范围可以包括8个、10个、16个等监控区域的范围。
电子设备中预设有每个特征参数，预设的每个特征参数与部署在第一监控区域的每个第一管制传感器是对应的，例如，特征参数为车辆的平均速度对应测速管制传感器，车辆违规行为对应违规监控管制传感器等等。因此，根据每个特征参数，可以获取每个第一管制传感器发送的第一时间段的每个数据信息中，对应每个特征参数的特征参数值。
针对每个特征参数，确定该特征参数与拥堵预测的相关性，将相关性高的特征参数作为目标特征参数。在本发明实施例中，是通过相关性分析算法来确定每个特征参数与拥堵预测的相关性高低的，其中，拥堵信息包括：拥堵时长和拥堵等级。拥堵时长和拥堵等级可以反应拥堵情况，拥堵时长和拥堵等级的值可以由浮动车管制传感器获取。其中，浮动车管制传感器获取拥堵时长和拥堵等级的值的过程属于现有技术，在此不再对此过程进行赘述。相关性分析算法包含协方差算法、相关性系数算法、信息熵算法等，在本发明实施例中，优选的使用相关性系数算法。
针对每个特征参数，根据每个监控区域的该特征参数的特征参数值，和第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵时长和拥堵等级，采用相关性分析算法，分别确定该特征参数值与拥堵时长的相关性，以及该特征参数与拥堵等级的相关性。其中，预设的第二时间长度和预设的第一时间长度可以相同，也可以不同。
下面通过一个例子对确定该特征参数值与拥堵时长和拥堵等级的相关性的过程进行说明。
图2为包含第一监控区域在内的预设范围内的每个监控区域示意图，预设范围内的每个监控区域分别为1A、2A、……、3D、4D。以确定特征参数为车辆的平均速度与拥堵时长和拥堵等级的相关性为例进行说明。监控区域1A的测速管制传感器第一时间段发送的车辆的平均速度值为a1，监控区域2A的测速管制传感器第一时间段发送的车辆的平均速度值为a2，监控区域3A的测速管制传感器第一时间段发送的车辆的平均速度值为a3等等，进而确定出监控区域1A、2A、……、3D、4D的测速管制传感器第一时间段发送的车辆的平均速度值分别为a1、a2、……、a15、a16。
监控区域1A的浮动车管制传感器在第一时间段延后预设的第二时间长度后，发送的拥堵时长为X1，监控区域2A的浮动车管制传感器发送的拥堵时长为X2，监控区域3A的浮动车管制传感器发送的拥堵时长为X3等等，因此可以确定出每个监控区域的浮动车管制传感器在第一时间段延后预设的第二时间长度时，发送的拥堵时长分别为X1、X2、……、X15、X16，同样的，每个监控区域的浮动车管制传感器在第一时间段延后预设的第二时间长度后，发送的拥堵等级分别为Y1、Y2、……、Y15、Y16。
采用相关性系数算法计算车辆的平均速度值与拥堵时长的相关性的公式如下：
式中，r1为车辆的平均速度值与拥堵时长的相关性，SaX为车辆的平均速度值与拥堵时长的协方差，Sa为车辆的平均速度值的标准差，SX为拥堵时长的标准差，ai为每个监控区域的平均速度值，为预设范围内的监控区域的平均速度值的平均值，Xi为每个监控区域的拥堵时长，为预设范围内的监控区域的拥堵时长的平均值，n为预设范围内的监控区域的数量。
另外，在计算车辆的平均速度值与拥堵时长的相关性之前，需要对车辆的平均速度值与拥堵时长进行归一化处理，其中，对车辆的平均速度值与拥堵时长进行归一化处理的过程属于现有技术，在此不对该过程进行赘述。
根据上述公式可以确定出车辆的平均速度值与拥堵时长的相关性，同理，也可以确定出车辆的平均速度值与拥堵时长的相关性。
特征参数值与拥堵时长的相关性越小，则说明特征参数值对应的特征参数与拥堵时长的相关性越高，特征参数值与拥堵等级的相关性越小，则说明特征参数值对应的特征参数与拥堵等级的相关性越高。电子设备中保存有预设的第一阈值和预设的第二阈值。针对每个特征参数值，分别确定该特征参数值与拥堵时长的相关性，以及与拥堵等级的相关性，判断该特征参数值与拥堵时长的相关性是否小于预设的第一阈值，并且判断该特征参数值与拥堵等级的相关性是否小于预设的第二阈值，如果该特征参数值与拥堵时长的相关性小于预设的第一阈值，或者该特征参数值与拥堵等级的相关性小于预设的第二阈值，将该特征参数值对应的特征参数，作为目标特征参数并保存。
由于在本发明实施例中，根据特征参数值，和第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵时长和拥堵等级，采用相关性分析算法，确定该特征参数值与拥堵时长和拥堵等级的相关性；将确定的与拥堵时长或拥堵等级的相关性小于预设的第一阈值的特征参数值对应的特征参数，作为目标特征参数并保存。目标特征参数为与拥堵时长和/或拥堵等级相关性高的特征参数，因此使得对第一监控区域的拥堵预测更准确。
实施例3：
在上述各实施例的基础上，在本发明实施例中，预设关联组的过程包括：
将所述第一监控区域作为目标监控区域，针对与所述目标监控区域相邻的第三监控区域，根据所述第一管制传感器发送的第二时间段的第三数据信息，和部署在第三监控区域内的第三管制传感器发送的第二时间段的第四数据信息，获取所述第三数据信息中与所述目标特征参数对应的第三特征参数值，和所述第四数据信息中与所述目标特征参数对应的第四特征参数值；根据对应的第三特征参数值和第四特征参数值，以及相关性分析算法，确定所述目标监控区域与该第三监控区域的相关性；
将相关性小于预设的第三阈值的第三监控区域，确定为与所述目标监控区域关联的第四监控区域；
将所述第四监控区域作为目标监控区域，确定与所述第四监控区域关联的第五监控区域；
将所述第四监控区域和第五监控区域作为第二监控区域，将所述第一监控区域和第二监控区域的并集，保存在一个关联组中。
将第一监控区域作为目标监控区域，针对与目标监控区域相邻的每个第三监控区域，确定该第三监控区域与目标监控区域的相关性，相关性高的第三监控区域对目标监控区域的拥堵情况影响较大，因此，将相关性高的第三监控区域作为与目标监控区域关联的第四监控区域。进而将第四监控区域作为目标监控区域，确定与第四监控区域关联的第五监控区域。在本发明实施例中，是通过相关性分析算法来确定每个第三监控区域与目标监控区域的相关性高低的。
具体的，电子设备将第一监控区域作为目标监控区域，获取目标监控区域的每个第一管制传感器发送的第二时间段的每个第三数据信息，并针对与目标监控区域相邻的每个第三监控区域，获取部署在该第三监控区域内的每个第三管制传感器发送的第二时间段的第四数据信息。其中，第二时间段和第一时间段可以相同，也可以不同。
根据预设的进行拥堵预测的每个目标特征参数，获取第三数据信息中与每个目标特征参数对应的每个第三特征参数值，和第四数据信息中与每个目标特征参数对应的每个第四特征参数值。根据每个对应的第三特征参数值和第四特征参数值，以及相关性分析算法，确定目标监控区域与第三监控区域的相关性。其中，每个目标特征参数对应的每个第三特征参数值，一般都可以从第三数据信息中获取到，每个目标特征参数对应的每个第四特征参数值，一般都可以从第四数据信息中获取到。
下面通过一个例子对确定目标监控区域与第三监控区域的相关性的过程进行说明。
还以图2为例，例如监控区域1A为目标监控区域。与目标监控区域相邻的第三监控区域分别为监控区域2A和监控区域2B，以确定目标监控区域和监控区域2A的相关性为例进行说明。例如预设的进行拥堵预测的每个目标特征参数分别为车辆的平均速度、车辆违规行为次数、以及不文明行为次数。获取第三数据信息中与每个目标特征参数对应的每个第三特征参数值分别为m1、m2和m3，第四数据信息中与每个目标特征参数对应的每个第四特征参数值分别为n1、n2和n3。则计算目标监控区域和监控区域2A的相关性的公式为：
式中，r2为目标监控区域和监控区域2A的相关性，Smn为目标监控区域和监控区域2A的协方差，Sm为目标监控区域的标准差，Sn为监控区域2A的标准差，mi为目标监控区域的每个特征参数值，为目标监控区域的每个特征参数值的平均值，ni为监控区域2A的每个特征参数值，为监控区域2A的每个特征参数值的平均值，T为目标监控区域的特征参数的数量。
另外，在计算目标监控区域和监控区域2A的相关性之前，需要对每个特征参数值进行归一化处理，其中，对每个特征参数值进行归一化处理的过程属于现有技术，在此不对该过程进行赘述。
目标监控区域和与其相邻的第三监控区域的相关性越小，则说明目标监控区域和与其相邻的第三监控区域的相关性越高。电子设备中保存有预设的第三阈值，将确定的相关性小于预设的第三阈值的第三监控区域，确定为与目标监控区域关联的第四监控区域。其中，预设的第三阈值和预设的第一阈值、预设的第二阈值可以相同，也可以不同。
在确定出与目标监控区域关联的每个第四监控区域之后，将每个第四监控区域作为目标监控区域，确定与每个第四监控区域关联的每个第五监控区域，将每个第四监控区域和每个第五监控区域作为第二监控区域，将第一监控区域和第二监控区域的并集，保存在一个关联组中。
图3为确定的关联组示意图，图3中的每个监控区域都可以作为第一监控区域，将第一监控区域作为目标监控区域，确定与目标监控区域关联的每个第四监控区域，然后将每个第四监控区域作为目标监控区域，确定与第四监控区域关联的第五监控区域。如图3所示，确定出与监控区域1A关联的监控区域为2A和1B，将监控区域1A、2A和1B保存在一个关联组中；确定出与监控区域3A关联的监控区域为4A，将监控区域3A和4A保存在一个关联组中；确定出与监控区域2B关联的监控区域为3B和2C，与监控区域3B关联的监控区域为4B，因此将监控区域2B、3B、4B和2C保存在一个关联组中；确定出与监控区域1D关联的监控区域为1C和2D，与监控区域2D关联的监控区域为3D，因此将监控区域1C、1D、2D和3D保存在一个关联组中；确定出与监控区域4C关联的监控区域为3C和4D，将监控区域3C、4C和4D保存在一个关联组中。
实施例4：
在上述各实施例的基础上，在本发明实施例中，预先对所述监控模型的训练过程包括：
根据所述第一管制传感器发送的第五数据信息，以及所述第二管制传感器发送的第六数据信息，获取所述第五数据信息中与所述目标特征参数对应的第五特征参数值，并获取所述第六数据信息中与所述目标特征参数对应的第六特征参数值；
根据获取的第五特征参数值和第六特征参数值，以及获取第五特征参数值和第六特征参数值的时间段延后第一时间长度时获取的所述第一监控区域的拥堵信息，对监控模型进行训练。
在本发明实施例中，电子设备中保存有每个第一管制传感器发送的对应每个时间段的每个第五数据信息，以及每个第二管制传感器发送的对应每个时间段的每个第六数据信息。根据每个第五数据信息和每个第六数据信息，针对每个时间段，获取该时间段的第五数据信息中与每个目标特征参数对应的每个第五特征参数值，并获取对应的第六数据信息中与每个目标特征参数对应的每个第六特征参数值。也就是说电子设备中针对每个监控区域，保存有该监控区域的大量历史数据信息。
根据针对每个时间段获取的每个第五特征参数值和第六特征参数值，以及该时间段延迟第一时间长度后的第一监控区域的拥堵信息，对监控模型进行训练。其中，拥堵信息包括：拥堵时长和拥堵等级。具体的，在训练时，将针对每个时间段获取的每个第五特征参数值和第六特征参数值作为监控模型的输入值，将该时间段延后第一时间长度时获取的第一监控区域的拥堵时长和拥堵等级作为监控模型的输出值。其中，对监控模型进行训练的过程属于现有技术，在本发明实施例中对该过程不再进行赘述。对监控模型进行训练的算法包含决策树算法、线性回归算法、神经网络算法等，在本发明实施例中，优选的使用神经网络算法。
对监控模型训练完成后，将获取的当前时间段的每个第一特征参数值和每个第二特征参数值，输入到监控模型，即可确定第一监控区域在当前时间段延后预设的第一时间长度时的拥堵信息。
确定第一监控区域在当前时间段延后预设的第一时间长度时的拥堵信息之后，可以输出提示信息，以便使用户获知第一监控区域的拥堵情况。因此，所述方法还包括：
根据所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级，输出对应的提示信息。
电子设备可以根据第一监控区域在预设的第一时间长度后的拥堵时长和拥堵等级，输出对应的文字信息或者语音信息，文字信息或者语音信息中包括拥堵时长和拥堵等级，例如在电子设备的显示屏上显示“第一监控区域在10分钟后的拥堵时长为15分钟，拥堵等级为2级”。
另外，每个监控区域中会部署监控摄像头，用于采集监控区域的视频信息，每个监控大屏同时显示多个监控摄像头采集的视频信息。如图4所示，电子设备为图4中的数据分析与机器学习中心，数据分析与机器学习中心根据管制传感器发送的数据信息，可以确定出每个监控区域的拥堵时长和拥堵等级，用户一般关心拥堵时长较长，拥堵等级较高的监控区域，因此，数据分析与机器学习中心可以根据每个监控区域的拥堵时长和拥堵等级，通过决策辅助分析，确定每个监控区域的监控摄像头采集的视频信息在监控大屏上的显示尺寸，图4所示的监控大屏同时显示有监控摄像头1、监控摄像头2、……、监控摄像头6采集的视频信息。数据分析与机器学习中心将监控摄像头1、监控摄像头2、……、监控摄像头6采集的视频信息的显示尺寸发送给监控大屏，监控大屏按照接收到的信息进行视频信息的显示。
例如，拥堵时长较长，和拥堵等级较高的监控区域的监控摄像头采集的视频信息在监控大屏上的显示尺寸较大，反之较小。如图4所示，监控大屏上显示有监控摄像头1、监控摄像头2、……、监控摄像头6采集的视频信息，其中，监控摄像头1部署在监控区域1A，监控摄像头2部署在监控区域2A，监控摄像头3部署在监控区域1B，监控摄像头4部署在监控区域4C，监控摄像头5部署在监控区域4B，监控摄像头6部署在监控区域3B。数据分析与机器学习中心确定出监控区域1A的拥堵时长较长，拥堵等级较高，因此，部署在监控区域1A的监控摄像头1采集的视频信息的显示尺寸较大。
图5为本发明实施例提供的一种拥堵预测装置结构示意图，所述装置包括：
接收模块51，用于接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值；
获取模块52，用于根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在所述第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取所述第二数据信息中对应所述目标特征参数的第二特征参数值；
确定模块53，用于根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。
所述装置还包括：
第一保存模块54，用于根据包含所述第一监控区域在内的，预设范围内的每个监控区域的每个管制传感器发送的第一时间段的数据信息，及预设的特征参数，获取所述数据信息中对应特征参数的特征参数值；根据所述特征参数值，和所述第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵时长和拥堵等级，采用相关性分析算法，确定特征参数值与所述拥堵信息的相关性；将确定的与所述拥堵信息的相关性小于预设的第一阈值的特征参数值对应的特征参数，作为所述目标特征参数并保存。
所述装置还包括：
第二保存模块55，用于将所述第一监控区域作为目标监控区域，针对与所述目标监控区域相邻的第三监控区域，根据所述第一管制传感器发送的第二时间段的第三数据信息，和部署在第三监控区域内的第三管制传感器发送的第二时间段的第四数据信息，获取所述第三数据信息中与所述目标特征参数对应的第三特征参数值，和所述第四数据信息中与所述目标特征参数对应的第四特征参数值；根据对应的第三特征参数值和第四特征参数值，以及相关性分析算法，确定所述目标监控区域与该第三监控区域的相关性；将相关性小于预设的第三阈值的第三监控区域，确定为与所述目标监控区域关联的第四监控区域；将所述第四监控区域作为目标监控区域，确定与所述第四监控区域关联的第五监控区域；将所述第四监控区域和第五监控区域作为第二监控区域，将所述第一监控区域和第二监控区域的并集，保存在一个关联组中。
所述装置还包括：
训练模块56，用于根据所述第一管制传感器发送的第五数据信息，以及所述第二管制传感器发送的第六数据信息，获取所述第五数据信息中与所述目标特征参数对应的第五特征参数值，并获取所述第六数据信息中与所述目标特征参数对应的第六特征参数值；根据获取的第五特征参数值和第六特征参数值，以及获取第五特征参数值和第六特征参数值的时间段延后第一时间长度时获取的所述第一监控区域的拥堵信息，对监控模型进行训练。
所述确定模块53，具体用于根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级。
所述装置还包括：
输出模块57，用于根据所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级，输出对应的提示信息。
本发明实施例提供了一种拥堵预测方法和装置，所述方法包括：接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值；根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取第二数据信息中对应目标特征参数的第二特征参数值；根据第一特征参数值和第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在当前时间段延后预设的第一时间长度时的拥堵信息。由于在本发明实施例中，针对每个监控区域保存有关联组，因此当进行拥堵预测时，根据第一监控区域，确定的与第一监控区域关联的第二监控区域，对应目标特征参数的特征参数值及监控模型，确定所述第一监控区域在当前时间段延后预设的第一时间长度时的拥堵信息。因此，提高了拥堵预测的准确率。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种拥堵预测方法，其特征在于，所述方法包括：
接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值；
根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在所述第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取所述第二数据信息中对应所述目标特征参数的第二特征参数值；
根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。
2.如权利要求1所述的方法，其特征在于，预设所述目标特征参数的过程包括：
根据包含所述第一监控区域在内的，预设范围内的每个监控区域的每个管制传感器发送的第一时间段的数据信息，及预设的特征参数，获取所述数据信息中对应所述特征参数的特征参数值；
根据所述特征参数值，和所述第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵信息，采用相关性分析算法，确定特征参数值与所述拥堵信息的相关性；
将与所述拥堵信息的相关性小于预设的第一阈值的特征参数值对应的特征参数，作为所述目标特征参数并保存。
3.如权利要求1所述的方法，其特征在于，预设关联组的过程包括：
将所述第一监控区域作为目标监控区域，针对与所述目标监控区域相邻的第三监控区域，根据所述第一管制传感器发送的第二时间段的第三数据信息，和部署在第三监控区域内的第三管制传感器发送的第二时间段的第四数据信息，获取所述第三数据信息中与所述目标特征参数对应的第三特征参数值，和所述第四数据信息中与所述目标特征参数对应的第四特征参数值；根据对应的第三特征参数值和第四特征参数值，以及相关性分析算法，确定所述目标监控区域与第三监控区域的相关性；
将相关性小于预设的第三阈值的第三监控区域，确定为与所述目标监控区域关联的第四监控区域；
将所述第四监控区域作为目标监控区域，确定与所述第四监控区域关联的第五监控区域；
将所述第四监控区域和第五监控区域作为第二监控区域，将所述第一监控区域和第二监控区域的并集，保存在一个关联组中。
4.如权利要求1所述的方法，其特征在于，预先对所述监控模型的训练过程包括：
根据所述第一管制传感器发送的第五数据信息，以及所述第二管制传感器发送的第六数据信息，获取所述第五数据信息中与所述目标特征参数对应的第五特征参数值，并获取所述第六数据信息中与所述目标特征参数对应的第六特征参数值；
根据获取的第五特征参数值和第六特征参数值，以及获取第五特征参数值和第六特征参数值的时间段延后第一时间长度时获取的所述第一监控区域的拥堵信息，对监控模型进行训练。
5.如权利要求1-4任一项所述的方法，其特征在于，所述拥堵信息包括：拥堵时长和拥堵等级。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级，输出对应的提示信息。
7.一种拥堵预测装置，其特征在于，所述装置包括：
接收模块，用于接收部署在第一监控区域内的第一管制传感器发送的当前时间段的第一数据信息，根据预设的目标特征参数，获取所述第一数据信息中对应所述目标特征参数的第一特征参数值；
获取模块，用于根据所述第一监控区域，及预设的关联组，确定与所述第一监控区域关联的第二监控区域；接收部署在所述第二监控区域内的第二管制传感器发送的当前时间段的第二数据信息，获取所述第二数据信息中对应所述目标特征参数的第二特征参数值；
确定模块，用于根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵信息。
8.如权利要求7所述的装置，其特征在于，所述装置还包括：
第一保存模块，用于根据包含所述第一监控区域在内的，预设范围内的每个监控区域的每个管制传感器发送的第一时间段的数据信息，及预设的特征参数，获取所述数据信息中对应所述特征参数的特征参数值；根据所述特征参数值，和所述第一时间段延后预设的第二时间长度时获取的对应每个监控区域的拥堵信息，采用相关性分析算法，确定特征参数值与所述拥堵信息的相关性；将与所述拥堵信息的相关性小于预设的第一阈值的特征参数值对应的特征参数，作为所述目标特征参数并保存。
9.如权利要求7所述的装置，其特征在于，所述装置还包括：
第二保存模块，用于将所述第一监控区域作为目标监控区域，针对与所述目标监控区域相邻的第三监控区域，根据所述第一管制传感器发送的第二时间段的第三数据信息，和部署在第三监控区域内的第三管制传感器发送的第二时间段的第四数据信息，获取所述第三数据信息中与所述目标特征参数对应的第三特征参数值，和所述第四数据信息中与所述目标特征参数对应的第四特征参数值；根据对应的第三特征参数值和第四特征参数值，以及相关性分析算法，确定所述目标监控区域与第三监控区域的相关性；将相关性小于预设的第三阈值的第三监控区域，确定为与所述目标监控区域关联的第四监控区域；将所述第四监控区域作为目标监控区域，确定与所述第四监控区域关联的第五监控区域；将所述第四监控区域和第五监控区域作为第二监控区域，将所述第一监控区域和第二监控区域的并集，保存在一个关联组中。
10.如权利要求7所述的装置，其特征在于，所述装置还包括：
训练模块，用于根据所述第一管制传感器发送的第五数据信息，以及所述第二管制传感器发送的第六数据信息，获取所述第五数据信息中与所述目标特征参数对应的第五特征参数值，并获取所述第六数据信息中与所述目标特征参数对应的第六特征参数值；根据获取的第五特征参数值和第六特征参数值，以及获取第五特征参数值和第六特征参数值的时间段延后第一时间长度时获取的所述第一监控区域的拥堵信息，对监控模型进行训练。
11.如权利要求7-10任一项所述的装置，其特征在于，确定模块，具体用于根据所述第一特征参数值和所述第二特征参数值，及所述第一监控区域对应的预先训练完成的监控模型，确定所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级。
12.如权利要求11所述的装置，其特征在于，所述装置还包括：
输出模块，用于根据所述第一监控区域在所述当前时间段延后预设的第一时间长度时的拥堵时长和拥堵等级，输出对应的提示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711131083.8A CN107832890A (zh) | 2017-11-15 | 2017-11-15 | 一种拥堵预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711131083.8A CN107832890A (zh) | 2017-11-15 | 2017-11-15 | 一种拥堵预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107832890A true CN107832890A (zh) | 2018-03-23 |
Family
ID=61651744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711131083.8A Pending CN107832890A (zh) | 2017-11-15 | 2017-11-15 | 一种拥堵预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107832890A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
| WO2021057149A1 (zh) * | 2019-09-29 | 2021-04-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置及存储介质 |
| CN112651361A (zh) * | 2020-12-31 | 2021-04-13 | 维特瑞交通科技有限公司 | 一种基于动态交通流量的监测方法 |
| CN112802335A (zh) * | 2020-12-31 | 2021-05-14 | 维特瑞交通科技有限公司 | 一种基于北斗导航系统的智能交通管理方法 |
| US11335098B2 (en) | 2019-09-29 | 2022-05-17 | Beijing Sensetime Technology Development Co., Ltd. | Data processing methods, apparatuses and storage media |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001009857A1 (en) * | 1999-08-02 | 2001-02-08 | Haiwool Co., Ltd. | Method and apparatus for collecting traffic information using a probe car |
| CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| CN103646542A (zh) * | 2013-12-24 | 2014-03-19 | 北京四通智能交通系统集成有限公司 | 一种交通影响范围的预测方法和装置 |
| US8798897B2 (en) * | 2010-11-01 | 2014-08-05 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
| CN105279966A (zh) * | 2015-10-09 | 2016-01-27 | 武汉理工大学 | 一种校园交通的拥堵识别方法 |
| CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
-
2017
- 2017-11-15 CN CN201711131083.8A patent/CN107832890A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001009857A1 (en) * | 1999-08-02 | 2001-02-08 | Haiwool Co., Ltd. | Method and apparatus for collecting traffic information using a probe car |
| CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| US8798897B2 (en) * | 2010-11-01 | 2014-08-05 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
| CN103646542A (zh) * | 2013-12-24 | 2014-03-19 | 北京四通智能交通系统集成有限公司 | 一种交通影响范围的预测方法和装置 |
| CN105279966A (zh) * | 2015-10-09 | 2016-01-27 | 武汉理工大学 | 一种校园交通的拥堵识别方法 |
| CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
| CN110445653B (zh) * | 2019-08-12 | 2022-03-29 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
| WO2021057149A1 (zh) * | 2019-09-29 | 2021-04-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置及存储介质 |
| US11335098B2 (en) | 2019-09-29 | 2022-05-17 | Beijing Sensetime Technology Development Co., Ltd. | Data processing methods, apparatuses and storage media |
| CN112651361A (zh) * | 2020-12-31 | 2021-04-13 | 维特瑞交通科技有限公司 | 一种基于动态交通流量的监测方法 |
| CN112802335A (zh) * | 2020-12-31 | 2021-05-14 | 维特瑞交通科技有限公司 | 一种基于北斗导航系统的智能交通管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107832890A (zh) | 一种拥堵预测方法和装置 | |
| CN105357063B (zh) | 一种网络空间安全态势实时检测方法 | |
| CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
| CN110348312A (zh) | 一种区域视频人体动作行为实时识别方法 | |
| CN108423006A (zh) | 一种辅助驾驶预警方法及系统 | |
| CN103838772B (zh) | 一种多源交通数据融合方法 | |
| CN107169600A (zh) | 识别重大危险源的方法、系统、存储介质及计算机设备 | |
| CN106080655A (zh) | 一种列车轴温异常的检测方法、装置以及列车 | |
| CN107332698A (zh) | 一种面向明长城智能感知系统的安全态势感知系统及方法 | |
| US10109196B2 (en) | Real-time monitoring and diagnostic processing of traffic control data | |
| CN109035779A (zh) | 基于DenseNet的高速公路交通流预测方法 | |
| WO2023071121A1 (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
| CN109034632A (zh) | 一种基于对抗样本的深度学习模型安全风险评估方法 | |
| Zhang et al. | Risk early warning safety model for sports events based on back propagation neural network machine learning | |
| CN104915600B (zh) | 一种Android应用程序安全风险评估方法与装置 | |
| CN108764243A (zh) | 一种图像处理方法及装置 | |
| CN106973039A (zh) | 一种基于信息融合技术的网络安全态势感知模型训练方法和装置 | |
| CN107437339A (zh) | 一种信息引导下的可变信息情报板协调控制方法及系统 | |
| CN113556360B (zh) | 基于多源攻击融合的工业互联网安全动态度量方法、装置及存储介质 | |
| CN106845230A (zh) | 基于恶意网络流量词库的恶意软件检测可视化方法及系统 | |
| CN112818871B (zh) | 一种基于半分组卷积的全融合神经网络的目标检测方法 | |
| CN109889512A (zh) | 一种充电桩can报文的异常检测方法及装置 | |
| CN107545301A (zh) | 页面展示方法及装置 | |
| Yu et al. | Dynamic driving environment complexity quantification method and its verification | |
| CN109002810A (zh) | 模型评价方法、雷达信号识别方法及对应装置 |
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: 20180323 |
|
| RJ01 | Rejection of invention patent application after publication |