CN108399742A - 一种基于交通饱和度的交通态势热图可视化方法 - Google Patents
一种基于交通饱和度的交通态势热图可视化方法 Download PDFInfo
- Publication number
- CN108399742A CN108399742A CN201810087112.3A CN201810087112A CN108399742A CN 108399742 A CN108399742 A CN 108399742A CN 201810087112 A CN201810087112 A CN 201810087112A CN 108399742 A CN108399742 A CN 108399742A
- Authority
- CN
- China
- Prior art keywords
- saturation degree
- traffic
- saturation
- section
- degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008676 import Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 150000002500 ions Chemical class 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000005389 magnetism Effects 0.000 abstract description 4
- 241001269238 Data Species 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 102100033538 Clusterin-associated protein 1 Human genes 0.000 description 1
- 101000945057 Danio rerio Clusterin-associated protein 1 homolog Proteins 0.000 description 1
- 101000945060 Homo sapiens Clusterin-associated protein 1 Proteins 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005303 weighing 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
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交通饱和度的交通态势热图可视化方法,属于交通技术领域。本发明通过获取交通管理中视频、线圈、地磁等点数据,分别计算出路网中交叉口以及路段的饱和度,并通过类平均聚类分析的方法,划分出路网中所有饱和度的类别以及对各类中饱和度的数值进行重新计算,并根据饱和平均值对热图的点分布密集程度进行选取,从而得到基于交通饱和度的交通态势热图。该方法的优点在于操作简单、便于计算,可以弥补在轨迹数据比例较少、精度较低或无法有效采集的情况下未能对交通态势进行有效展示的不足,并且同时考虑了交叉口及路段的交通承受能力的状况,更加充分合理的对交通态势进行可视化展示,为交通管理者的方案决策提供支撑。
Description
技术领域
本发明涉及一种基于交通饱和度的交通态势热图可视化方法,属于交通技术领域。
背景技术
交通热图是一种对路网交通拥堵状况的宏观可视化方法,科学合理的交通态势可视化可以为交通管理者对交通状态进行把控,并根据交通状态进行交通方案的有效决策以达到缓解交通拥堵,优化出行环境的目的。现有的交通态势热图可视化方法大多是以浮动车数据、地图导航等轨迹数据获得的,但在轨迹数据比例较少或无法有效采集的情况下,将无法对交通态势进行有效展示;此外,当轨迹数据比例较少时对于交通态势所需的估计参数(行程时间、流量、排队长度等)无法做到精确估计,进而降低了交通态势热图的可信度。随着交通管理中视频、线圈、地磁等点数据采集点布设密度的增加和采集精度的提高,为交通态势的判别提供了有力支撑。
发明内容
为了克服轨迹数据比例较少或无法有效采集的情况下,对交通态势无法进行有效展示以及轨迹数据的可视化大多对道路路段进行交通态势估计的局限性,本发明提供了一种基于交通饱和度的交通态势热图可视化方法,利用交通管理中视频、线圈、地磁等所采集的点数据,综合考虑路网中交叉口以及路段的交通拥堵状态,便于有效的对交通态势进行可视化展示。
为了实现上述目的,本发明的技术方案为:
一种基于交通饱和度的交通态势热图可视化方法,包括:
步骤1:对分析时段内的交通基础数据进行收集,所述交通基础数据包括每个交叉口的交通流量、信号配时参数、各进口道的饱和流率、车道配置、交叉口间距;
步骤2:计算每个交叉口饱和度以及每条路段饱和度;
步骤3:对饱和度取倒数,相邻饱和度倒数取平均值得到相邻饱和度之间的距离;
步骤4:将路网中所有饱和度以类平均聚类方法进行聚类;
步骤5:对聚类完成后的每一类中所有点的饱和度取平均值,并根据饱和平均值对热图的点分布密集程度进行选取,进而得到基于饱和度的交通态势热图。
进一步地,所述步骤2中计算每个交叉口饱和度包括:
首先对交叉口每个进口道的饱和度进行计算,其中每个进口道的饱和度为该进口道中进口车道饱和度最大值,然后取东西南北四个进口道饱和度的最大值为该交叉口的饱和度x,即:
分别为东西南北四个进口道的饱和度。
进一步地,所述进口车道饱和度为进口车道的车流量与该进口车道通行能力的比值,即:
xA=q/λS,其中xA为进口车道饱和度,q为进口车道的交通流量,λ为该车道所在信号相位的绿信比,S为该车道的饱和流率。
进一步地,所述步骤2中计算每条路段饱和度包括:
首先,计算出分析时段内每个交叉口进口道的排队长度,然后将排队长度除以所处路段的长度,进而得到其路段饱和度;对于一条路段而言存在两个方向的路段饱和度,则以该路段两个方向的路段饱和度的较大值为聚类分析中的数值,j为两交叉口之间路段的编号,j=1,2,3…,为路段一个方向的路段饱和度,为路段另一个方向的路段饱和度。
进一步地,当交通需求大于交通供给时,所述排队长度的计算公式为:
式中,Q1为交通需求>交通供给时的排队长度,T为分析时段,q为交通需求,c为通行能力,N为车道数,ds为排队密度,u为车辆平均行程速度;
当交通需求小于等于交通供给时,所述排队长度的计算公式为:
式中,Q2为交通需求≤交通供给排队长度,r为分析时段内有效红灯时间,d为相邻两车间的车头间距;
所述路段饱和度计算公式为:
式中,L为两交叉口停车线之间的距离。
进一步地,所述步骤3包括:
将交叉口饱和度和路段饱和度进行取倒数得并以相邻交叉口饱和度和路段饱和度倒数的平均值作为聚类分析时的距离值来计算,xi为某一交叉口的饱和度,yj为某一路段的饱和度,i为交叉口饱和度的编号,i=1,2,3…。
进一步地,所述步骤4中使用类平均方法聚类时,计算距离的方法为欧氏距离平方,使用组间平均联接的树状图重新调整距离聚类合并计算。
进一步地,所述步骤5包括:
聚类完成后取各类中交叉口饱和度及路段饱和度的平均值作为热图中点分布密集程度的取值,式中,M、N分别为聚类完成后第k个数据群Gk中交叉口饱和度的数量与路段饱和度的数量,并根据饱和平均值对热图的点分布密集程度进行选取,进而得到基于饱和度的交通态势热图。
本发明具有如下有益效果:
1、本发明的基于交通饱和度的交通态势热图可视化方法,利用交通管理中视频、线圈、地磁等所采集的点数据,可以在轨迹数据比例较少或浮动车等数据无法有效采集的情况适用,适用性更广;
2、本发明的基于交通饱和度的交通态势热图可视化方法,综合考虑了路网中交叉口以及路段的交通拥堵状态,便于有效的对交通态势进行可视化展示,可靠性更强;
3、本发明的基于交通饱和度的交通态势热图可视化方法,操作简单,便于计算,成本更低。
附图说明
图1是本发明的方法流程示意图;
图2是本发明的路段排队比示意图;
图3是本发明的同一路段不同方向的路段饱和度示意图;
图4a是饱和度计算结果全局示意图;
图4b是饱和度计算结果局部示意图;
图5a是饱和度聚类完成结果全局示意图;
图5b是饱和度聚类完成结果局部示意图;
图6是基于交通饱和度的交通态势热图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
本发明的一种基于交通饱和度的交通态势热图可视化方法,如图1所示,包括:
步骤1:对分析时段内的交通基础数据进行收集,所述交通基础数据包括每个交叉口的交通流量、信号配时参数、各进口道的饱和流率、车道配置、交叉口间距;
步骤2:计算每个交叉口饱和度以及每条路段饱和度;
步骤3:对饱和度取倒数,相邻饱和度倒数取平均值得到相邻饱和度之间的距离;
步骤4:将路网中所有饱和度以类平均聚类方法进行聚类;
步骤5:对聚类完成后的每一类中所有点的饱和度取平均值,并根据饱和平均值对热图的点分布密集程度进行选取,进而得到基于饱和度的交通态势热图。
其中,计算交叉口饱和度的过程如下:
某一进口车道的车流量与该进口道通行能力的比值称为该进口道的饱和度,用xA表示。计算公式为:
式中,q——进口车道的交通流量,veh/h;λ——该车道所在信号相位的绿信比;S——该车道的饱和流率,veh/h。
首先对交叉口每个进口道的饱和度(每个进口道的饱和度为该进口道中进口车道饱和度最大值),进行计算,然后取进口道饱和最大值为该交叉口的饱和度x,即:
分别为东西南北四个进口道的饱和度。
其中,路段饱和度(排队长度比)的计算过程如下:
排队长度比y是直观衡量交叉口之间路段承受能力的表现形式,其值为交叉口进口道排队长度Q与该进口道所处路段长度L的比值,如图2所示;为便于描述,本方法中将路段排队长度比称为路段饱和度,取进口车道中路段饱和度最大值为该路段的饱和度。
1)当交通需求>交通供给时,根据HCM2010得到排队长度的计算公式为:
式中:Q1为交通需求>交通供给时的排队长度,km;
T为分析时段,h;
q为交通需求(交通流量),veh/h;
C为通行能力,veh/h;
N为车道数;
ds为排队密度,辆/km/车道,u为车辆平均行程速度,km/h;
L两交叉口停车线之间的距离,km;
2)当交通需求≤交通供给时(也就是进口道饱和度大于1时),排队长度的公式为:
式中:Q2为交通需求≤交通供给排队长度,m;
r为分析时段内有效红灯时间,s;
d为相邻两车间的车头间距,m,取值为6m。
综上可得,路段饱和度计算公式为:
其中,基于交叉口饱和度与路段饱和度的交通态势聚类分析过程如下:
交叉口饱和度可以反映交叉口的承受能力,而路段饱和度可以直观的反映路段的拥挤状况,并且两者均为[0,1]的比值数据(当交叉口过饱和或排队溢出时会出现大于1的情况),所以本方法将两者对其进行聚类分析,兼顾交叉口与路段的交通状况反映出整个区域的交通态势。
对于一条路段而言存在两个方向的路段饱和度,如图3所示,本方法中以同一路段不同方向的路段饱和度的较大值为聚类分析中的数值,j为两交叉口之间路段的编号,j=1,2,3…,为路段一个方向的路段饱和度,为路段另一个方向的路段饱和度。
由于当饱和度越大时,说明其交叉口或路段的交通压力越大,而常用的聚类分析通常是以不同对象之间的距离来进行聚类分析,若直接以饱和度作为对象间的距离来聚类,显然是不合适的;所以,在这里将饱和度进行取倒数得并以相邻交叉口饱和度和路段饱和度倒数的平均值作为聚类分析时的距离值来计算,i为交叉口饱和度的编号,i=1,2,3…,将路网中所有数据以类平均聚类方法进行聚类,采用欧氏距离平方计算距离,使用组间平均联接的树状图重新调整距离聚类合并计算;聚类完成后取各类中交叉口饱和度及路段饱和度的平均值作为热图中点分布密集程度的取值,式中:M、N分别为聚类完成后第k个数据群Gk中交叉口饱和度的数量与路段饱和度的数量。
制作热力图时以作为点密度的选取指标,本方法中以每0.1(第二位小数四舍五入取值)个饱和度为一个点进行热力图的展示,此外,由于同一路段饱和度与上下游不同交叉口饱和度聚类得到的数值会有所区别,所以这里将聚类完成时不同的路段饱和度各取所处路段的一半长度进行点密度的分布。
在一个实施例中,选取云南省曲靖市麒麟区的路网实施本发明的交通饱和度的交通态势热图可视化方法。图4a是饱和度计算结果全局示意图,其中圆圈内数字所示为步骤2中交叉口饱和度的计算结果,四边形内数字所示为步骤2中路段饱和度的计算结果;图4b为图4a的局部示意图。图5a是饱和度聚类完成结果全局示意图,其中三角形内数字所示为步骤5中聚类完成后每类饱和度的平均值的计算结果;图5b为图5a的局部示意图。图6是最终得到的基于交通饱和度的交通态势热图。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种基于交通饱和度的交通态势热图可视化方法,其特征在于,包括:
步骤1:对分析时段内的交通基础数据进行收集,所述交通基础数据包括每个交叉口的交通流量、信号配时参数、各进口道的饱和流率、车道配置、交叉口间距;
步骤2:计算每个交叉口饱和度以及每条路段饱和度;
步骤3:对饱和度取倒数,相邻饱和度倒数取平均值得到相邻饱和度之间的距离;
步骤4:将路网中所有饱和度以类平均聚类方法进行聚类;
步骤5:对聚类完成后的每一类中所有点的饱和度取平均值,并根据饱和平均值对热图的点分布密集程度进行选取,进而得到基于饱和度的交通态势热图。
2.根据权利要求1所述的一种基于交通饱和度的交通态势热图可视化方法,其特征在于,所述步骤2中计算每个交叉口饱和度包括:
首先对交叉口每个进口道的饱和度进行计算,其中每个进口道的饱和度为该进口道中进口车道饱和度最大值,然后取东西南北四个进口道饱和度的最大值为该交叉口的饱和度x,即:
分别为东西南北四个进口道的饱和度。
3.根据权利要求2所述的一种基于交通饱和度的交通态势热图可视化方法,其特征在于,所述进口车道饱和度为进口车道的车流量与该进口车道通行能力的比值,即:xA=q/λS,其中xA为进口车道饱和度,q为进口车道的交通流量,λ为该车道所在信号相位的绿信比,S为该车道的饱和流率。
4.根据权利要求1所述的一种基于交通饱和度的交通态势热图可视化方法,其特征在于,所述步骤2中计算每条路段饱和度包括:
首先,计算出分析时段内每个交叉口进口道的排队长度,然后将排队长度除以所处路段的长度,进而得到其路段饱和度;对于一条路段而言存在两个方向的路段饱和度,则以该路段两个方向的路段饱和度的较大值为聚类分析中的数值,j为两交叉口之间路段的编号,j=1,2,3…,为路段一个方向的路段饱和度,为路段另一个方向的路段饱和度。
5.根据权利要求4所述的一种基于交通饱和度的交通态势热图可视化方法,其特征在于,当交通需求大于交通供给时,所述排队长度的计算公式为:
式中,Q1为交通需求>交通供给时的排队长度,T为分析时段,q为交通需求,c为通行能力,N为车道数,ds为排队密度,u为车辆平均行程速度;
当交通需求小于等于交通供给时,所述排队长度的计算公式为:
式中,Q2为交通需求≤交通供给排队长度,r为分析时段内有效红灯时间,d为相邻两车间的车头间距;
所述路段饱和度计算公式为:
式中,L为两交叉口停车线之间的距离。
6.根据权利要求1所述的一种基于交通饱和度的交通态势热图可视化方法,其特征在于,所述步骤3包括:
将交叉口饱和度和路段饱和度进行取倒数得并以相邻交叉口饱和度和路段饱和度倒数的平均值作为聚类分析时的距离值来计算,xi为某一交叉口的饱和度,yj为某一路段的饱和度,i为交叉口饱和度的编号,i=1,2,3…。
7.根据权利要求1所述的一种基于交通饱和度的交通态势热图可视化方法,其特征在于,所述步骤4中使用类平均方法聚类时,计算距离的方法为欧氏距离平方,使用组间平均联接的树状图重新调整距离聚类合并计算。
8.根据权利要求1所述的一种基于交通饱和度的交通态势热图可视化方法,其特征在于,所述步骤5包括:
聚类完成后取各类中交叉口饱和度及路段饱和度的平均值作为热图中点分布密集程度的取值,式中,M、N分别为聚类完成后第k个数据群Gk中交叉口饱和度的数量与路段饱和度的数量,并根据饱和平均值对热图的点分布密集程度进行选取,进而得到基于饱和度的交通态势热图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087112.3A CN108399742B (zh) | 2018-01-30 | 2018-01-30 | 一种基于交通饱和度的交通态势热图可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087112.3A CN108399742B (zh) | 2018-01-30 | 2018-01-30 | 一种基于交通饱和度的交通态势热图可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399742A true CN108399742A (zh) | 2018-08-14 |
CN108399742B CN108399742B (zh) | 2020-12-15 |
Family
ID=63095155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810087112.3A Active CN108399742B (zh) | 2018-01-30 | 2018-01-30 | 一种基于交通饱和度的交通态势热图可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399742B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110164153A (zh) * | 2019-05-30 | 2019-08-23 | 哈尔滨理工大学 | 一种交通信号自适应配时方法 |
CN113538903A (zh) * | 2021-06-21 | 2021-10-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
CN117523848A (zh) * | 2024-01-04 | 2024-02-06 | 湖南工商大学 | 交通拥堵信息的预测方法、装置、计算机设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002109681A (ja) * | 2000-10-03 | 2002-04-12 | Nippon Signal Co Ltd:The | 飽和交通流率の算出方法 |
CN102419905A (zh) * | 2011-08-12 | 2012-04-18 | 北京航空航天大学 | 基于交通波理论的高速公路事故的交通影响范围确定方法 |
US20140159923A1 (en) * | 2012-12-07 | 2014-06-12 | Cisco Technology, Inc. | Elastic Clustering of Vehicles Equipped with Broadband Wireless Communication Devices |
CN105679032A (zh) * | 2016-03-24 | 2016-06-15 | 浙江工业大学 | 一种城市交通流过饱和状态下的交通控制子区划分方法 |
CN105809967A (zh) * | 2016-05-25 | 2016-07-27 | 浙江宇视科技有限公司 | 一种车流量展示方法及装置 |
CN106803347A (zh) * | 2017-03-28 | 2017-06-06 | 东南大学 | 基于rfid数据的城市交叉口交通状态判别方法 |
-
2018
- 2018-01-30 CN CN201810087112.3A patent/CN108399742B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002109681A (ja) * | 2000-10-03 | 2002-04-12 | Nippon Signal Co Ltd:The | 飽和交通流率の算出方法 |
CN102419905A (zh) * | 2011-08-12 | 2012-04-18 | 北京航空航天大学 | 基于交通波理论的高速公路事故的交通影响范围确定方法 |
US20140159923A1 (en) * | 2012-12-07 | 2014-06-12 | Cisco Technology, Inc. | Elastic Clustering of Vehicles Equipped with Broadband Wireless Communication Devices |
CN105679032A (zh) * | 2016-03-24 | 2016-06-15 | 浙江工业大学 | 一种城市交通流过饱和状态下的交通控制子区划分方法 |
CN105809967A (zh) * | 2016-05-25 | 2016-07-27 | 浙江宇视科技有限公司 | 一种车流量展示方法及装置 |
CN106803347A (zh) * | 2017-03-28 | 2017-06-06 | 东南大学 | 基于rfid数据的城市交叉口交通状态判别方法 |
Non-Patent Citations (3)
Title |
---|
B. S. KERNER ET AL.: "Traffic State Detection with Floating Car Data in Road Networks", 《PROCEEDINGS OF THE 8TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
沈国江等: "过饱和状态下城市路网控制子区动态划分方法", 《浙江工业大学学报》 * |
黄艳国等: "城市区域路网交通状态分析与评价方法", 《重庆交通大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110164153A (zh) * | 2019-05-30 | 2019-08-23 | 哈尔滨理工大学 | 一种交通信号自适应配时方法 |
CN113538903A (zh) * | 2021-06-21 | 2021-10-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
CN117523848A (zh) * | 2024-01-04 | 2024-02-06 | 湖南工商大学 | 交通拥堵信息的预测方法、装置、计算机设备及介质 |
CN117523848B (zh) * | 2024-01-04 | 2024-04-19 | 湖南工商大学 | 交通拥堵信息的预测方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108399742B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106652458B (zh) | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 | |
CN104318766B (zh) | 一种公交gps轨迹数据的路网匹配方法 | |
CN104778274B (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 | |
CN105825669B (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN104821080B (zh) | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN105139668B (zh) | 一种基于路段速度区间的城市干线双向绿波控制优化方法 | |
CN106384509A (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
CN108447256A (zh) | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 | |
CN108399742A (zh) | 一种基于交通饱和度的交通态势热图可视化方法 | |
CN100501795C (zh) | 一种路口关联路段动态路况采集方法 | |
CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
CN105489004B (zh) | 面向道路实时速度计算的卡口与浮动车数据融合方法 | |
CN109147329A (zh) | 基于通行能力的区域交通运行状态指数计算及可视化方法 | |
CN109191849A (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN104318781A (zh) | 基于rfid技术的行程速度获取方法 | |
CN106157624B (zh) | 基于交通定位数据的多粒度道路分流可视分析方法 | |
CN111260522B (zh) | 基于大数据的车辆出行特征可视化分析系统 | |
CN108765961A (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
CN105677899A (zh) | 一种包含道路行进方向的增强型矢量数字地图制作方法 | |
CN109520499B (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
CN108648444A (zh) | 一种基于网格模型的信号交叉口运行评价方法 | |
CN110415514A (zh) | 一种交叉口车道优化方案选择方法、装置和存储介质 |
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 |