CN108898831A - 基于道路高清卡口数据的路段状况评估方法及系统 - Google Patents
基于道路高清卡口数据的路段状况评估方法及系统 Download PDFInfo
- Publication number
- CN108898831A CN108898831A CN201810660266.7A CN201810660266A CN108898831A CN 108898831 A CN108898831 A CN 108898831A CN 201810660266 A CN201810660266 A CN 201810660266A CN 108898831 A CN108898831 A CN 108898831A
- Authority
- CN
- China
- Prior art keywords
- data
- section
- time
- data set
- high definition
- 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
本发明公开了一种基于道路高清卡口数据的路段状况评估方法及系统,该方法包括:获取待分析路段的第一数据集以及第二数据集;求交集得到第三数据集;提取第三数据集中的每台车辆的所有数据记录,形成该车辆对应的数据序列,构成一序列集;根据序列集,提取获得每台车辆行驶到终点的到达时间和从起点行驶到终点的通行时间,形成第一时间数据集;对第一时间数据集进行数据过滤处理后,得到第二时间数据集;采用局部加权回归算法,将第二时间数据集的数据进行拟合后,得到第三时间数据集,进而拟合组成一平滑回归线;获得待分析路段的状况评价指标。本发明可直观、形象且科学地对待分析路段进行交通状况评估,可广泛应用于交通状况智能监测领域中。
Description
技术领域
本发明涉及道路交通状况智能监测领域,特别是涉及基于道路高清卡口数据的路段状况评估方法及系统。
背景技术
路段的交通运行状况一般可以通过交通流量、饱和度、服务水平、行程时间、延误等指标进行分析和判断。交通流量、饱和度、服务水平等指标一般用于交通规划、设计和交通影响评估,较为抽象,主要反映路段所在的宏观路网的需求、容量和承载能力。对路段的使用者——乘客和驾驶员来说,无法直观、形象地获知路段的交通状况。总的来说,目前对路段状况的评估方法过于抽象,无法科学评价路段的交通状况。
发明内容
为了解决上述的技术问题,本发明的目的是提供基于道路高清卡口数据的路段状况评估方法及系统。
本发明解决其技术问题所采用的技术方案是:
基于道路高清卡口数据的路段状况评估方法,包括以下步骤:
S1、获取待分析路段的第一高清卡口在分析时段内采集的第一数据集以及第二高清卡口在分析时段内采集的第二数据集;所述第一高清卡口设置在待分析路段的起点,所述第二高清卡口设置在待分析路段的终点;
S2、求取第一数据集和第二数据集的交集,得到第三数据集;
S3、提取第三数据集中的每台车辆的所有数据记录,形成该车辆对应的数据序列,最后将所有车辆的数据序列构成一序列集;
S4、根据序列集,提取获得每台车辆行驶到待分析路段的终点的到达时间和从起点出发行驶到终点的通行时间后,形成第一时间数据集;
S5、依次根据预设的区间异常数据剔除条件以及预设的过滤条件,对第一时间数据集进行数据过滤处理后,得到第二时间数据集;
S6、采用局部加权回归算法,将第二时间数据集的数据进行拟合后,得到第三时间数据集,进而将第三时间数据集的数据拟合组成一平滑回归线;
S7、根据该平滑回归线,获得待分析路段的状况评价指标。
进一步,所述步骤S6中所述采用局部加权回归算法,将第二时间数据集的数据进行拟合后,得到第三时间数据集的步骤,具体包括:
S61、基于第二时间数据集,获得到达时间的去重取值集合;
S62、采用局部加权回归算法,计算获得去重取值集合中每个元素的局部线性回归线参数和该元素对应的通行时间回归值;
S63、将去重取值集合中的所有元素及每个元素对应的通行时间回归值组成第三时间数据集。
进一步,所述步骤S62中,通过以下公式进行计算:
上式中,ai,1,bi,1,ci,1,ai,2,bi,2,ci,2均为计算过程的中间变量,满足下式:
其中,Xi表示去重取值集合的第i元素,且Xi∈{X1,X2,...,Xn}(n≤N),{X1,X2,...,Xn}表示去重取值集合,N表示第二时间数据集中的元素个数,n表示去重取值集合中的元素个数,wi(xk)表示权重函数,其中参数π表示预设的拟合度参数,xk表示第二时间数据集中的第k个数据,yk表示第二时间数据集中的第k个数据的通行时间,θi,0,θi,1均为局部线性回归线参数,Yi表示Xi对应的通行时间回归值。
进一步,所述分析时段为全日,且所述分析时段平均划分为多个区间。
进一步,所述步骤S5中,所述预设的区间异常数据剔除条件为:将分析时段内的每个区间中,通行时间大于待分析路段的通行时间上限的数据点剔除;
其中,所述待分析路段的通行时间上限为:将待分析路段的长度除以预设的最慢行驶速度后获得。
进一步,所述步骤S5中,所述预设的过滤条件为:剔除通行时间最大的m%的数据点和通行时间最小的n%的数据点;其中,m的取值范围为0-20,n的取值范围为0-5。
进一步,所述第一数据集和第二数据集均包括多个数据记录,每个数据记录至少包括以下内容:卡口所在路段、车流方向、车辆经过日期、车牌号码和车辆类型。
进一步,所述步骤S7中,所述状况评价指标由平滑回归线的变化状态而获得。
进一步,所述步骤S7中,所述状况评价指标包括自由流通行时间、次高峰开始时间、高峰开始时间、拥堵峰值时间、次高峰通行时间、高峰通行时间、高峰延误和次高峰延误。
本发明解决其技术问题所采用的另一技术方案是:
基于道路高清卡口数据的路段状况评估系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的基于道路高清卡口数据的路段状况评估方法。
本发明的有益效果是:本发明可以准确提取获得每台车辆行驶到待分析路段的终点的到达时间以及通过待分析路段的通行时间,从而可以精确地统计分析时段内,待分析路段的交通状况,从而获得待分析路段的状况评价指标,可以根据待分析路段在分析时段内的车流数据,直观、形象且科学地对待分析路段进行交通状况评估。
附图说明
图1是本发明的基于道路高清卡口数据的路段状况评估方法的流程图;
图2是本发明的具体实施例中待分析路段的示意图;
图3是本发明的具体实施例中处理后得到的通行时间-到达时间的散点图;
图4是本发明的具体实施例中采用局部加权回归算法得到的平滑回归线的示意图;
图5是本发明的具体实施例中平滑回归线的状况评价指标的示意图;
图6是本发明的具体实施例中自由流车速和高峰车速的曲线示意图;
图7是本发明的基于道路高清卡口数据的路段状况评估系统的结构框图。
具体实施方式
实施例一
参照图1,本发明提供了一种基于道路高清卡口数据的路段状况评估方法,包括以下步骤:
S1、获取待分析路段的第一高清卡口在分析时段内采集的第一数据集以及第二高清卡口在分析时段内采集的第二数据集;所述第一高清卡口设置在待分析路段的起点,所述第二高清卡口设置在待分析路段的终点;
S2、求取第一数据集和第二数据集的交集,得到第三数据集;
S3、提取第三数据集中的每台车辆的所有数据记录,形成该车辆对应的数据序列,最后将所有车辆的数据序列构成一序列集;
S4、根据序列集,提取获得每台车辆行驶到待分析路段的终点的到达时间和从起点出发行驶到终点的通行时间后,形成第一时间数据集;
S5、依次根据预设的区间异常数据剔除条件以及预设的过滤条件,对第一时间数据集进行数据过滤处理后,得到第二时间数据集;
S6、采用局部加权回归算法,将第二时间数据集的数据进行拟合后,得到第三时间数据集,进而将第三时间数据集的数据拟合组成一平滑回归线;
S7、根据该平滑回归线,获得待分析路段的状况评价指标。
本发明中,高清卡口指高清卡口系统,高清卡口系统通过采用先进的光电技术、图像处理技术、模式识别技术对过往的每一辆汽车均拍下车辆的图像,并自动识别出车辆的牌照,所采集到的车辆的信息数据均保存在服务器数据库中。
第一时间数据集和第二时间数据集都由多个数据组成,每个数据包括每台车辆行驶到待分析路段的终点的到达时间和从起点出发行驶到终点的通行时间。其中,行驶到待分析路段的终点的到达时间,是通过采集车辆到达第二高清卡口的时间来获得的,具体表现为几时几分几秒的具体时间点。从起点出发行驶到终点的通行时间是通过采集车辆到达第二高清卡口的时间和采集车辆到达第一高清卡口的时间后,将两者相减所获得的,具体表现为一段时间长度。
本方法通过获取待分析路段的起点和终点处所设置的高清卡口在分析时段内所采集的数据集后,通过步骤S2-S6进行处理后,可以准确提取获得每台车辆行驶到待分析路段的终点的到达时间以及通过待分析路段的通行时间,从而可以精确地统计分析时段内,待分析路段的交通状况,从而获得待分析路段的状况评价指标,可以根据待分析路段在分析时段内的车流数据,直观、形象且科学地对待分析路段进行交通状况评估。
进一步作为优选的实施方式,所述步骤S6中所述采用局部加权回归算法,将第二时间数据集的数据进行拟合后,得到第三时间数据集的步骤,具体包括:
S61、基于第二时间数据集,获得到达时间的去重取值集合;本步骤主要是讲第二时间数据集中的数据进行去重;
S62、采用局部加权回归算法,计算获得去重取值集合中每个元素的局部线性回归线参数和该元素对应的通行时间回归值;
S63、将去重取值集合中的所有元素及每个元素对应的通行时间回归值组成第三时间数据集。
通过本步骤将第二时间数据集的数据进行去重后,采用局部加权回归算法拟合获得第三时间数据集,从而后续步骤中可以对大量的离散数据点进行线性回归,从而可以直观、形象地反应路段的交通状况。
进一步作为优选的实施方式,所述步骤S62中,通过以下公式进行计算:
上式中,ai,1,bi,1,ci,1,ai,2,bi,2,ci,2均为计算过程的中间变量,满足下式:
其中,Xi表示去重取值集合的第i元素,且Xi∈{X1,X2,...,Xn}(n≤N),{X1,X2,...,Xn}表示去重取值集合,N表示第二时间数据集中的元素个数,n表示去重取值集合中的元素个数,wi(xk)表示权重函数,其中参数π表示预设的拟合度参数,xk表示第二时间数据集中的第k个数据,yk表示第二时间数据集中的第k个数据的通行时间,θi,0,θi,1均为局部线性回归线参数,Yi表示Xi对应的通行时间回归值。
进一步作为优选的实施方式,所述分析时段为全日,且所述分析时段平均划分为多个区间。
分析时段可以根据需要进设置,设置为白天12小时或更长,或者全日24小时,或者一周,或者周末、工作日等,本实施例中,优先考虑分析时段为全日24小时的情况。
进一步作为优选的实施方式,所述步骤S5中,所述预设的区间异常数据剔除条件为:将分析时段内的每个区间中,通行时间大于待分析路段的通行时间上限的数据点剔除;
其中,所述待分析路段的通行时间上限为:将待分析路段的长度除以预设的最慢行驶速度后获得。
分析时段可以平均划分为多个区间,例如分析时段是00:00:00a.m到23:59:59p.m,则分析时段可以按小时被平均分成24个区间。区间异常数据剔除条件并没有固定的规则,主要是根据路段的实际情况进行设置,本实施例中重点考虑在每个区间内,可能有少量数据点的时间比同样处在这个区间的其他数据点的通行时间的值要高,因此本实施例的区间异常数据剔除条件主要目的是剔除这类数据点。另外,也可以考虑剔除明显比其它值低的数据点,或者根据数据分布情况,剔除与其它数据明显离散的数据点。
进一步作为优选的实施方式,所述步骤S5中,所述预设的过滤条件为:剔除通行时间最大的m%的数据点和通行时间最小的n%的数据点;其中,m的取值范围为0-20,n的取值范围为0-5。
m%和n%分别为过滤条件中的上阈值和下阈值,m和n的具体取值是根据第一时间数据集中数据的发散程度来自主选择的,从而过滤第一时间数据集中不具备代表性的数据,提高本发明最后生成平滑回归线的精度。
进一步作为优选的实施方式,所述第一数据集和第二数据集均包括多个数据记录,每个数据记录至少包括以下内容:卡口所在路段、车流方向、车辆经过日期、车牌号码和车辆类型。
数据记录的内容主要用于区分车辆以及车辆行进方向、经过的路段等,详细内容可以根据需要进行调整,只要能实现上述目的即可。
进一步作为优选的实施方式,所述步骤S7中,所述状况评价指标由平滑回归线的变化状态而获得。
进一步作为优选的实施方式,所述步骤S7中,所述状况评价指标包括自由流通行时间、次高峰开始时间、高峰开始时间、拥堵峰值时间、次高峰通行时间、高峰通行时间、高峰延误和次高峰延误。
状况评价指标的具体内容,可以根据市场上对交通状况的评价指标来灵活调整,灵活地从平滑回归线上选取评价指标。
实施例二
本实施例是实施例一的一详细实施例,并整体论述了本发明的思路,具体如下:
图2所示,为某城市的一快速路路段,该路段的起点和终点分别为断面A和断面B。断面A和断面B分别安装了高清卡口,本具体实施例中,两个高清卡口分别命名为卡口a和卡口b。这里,只考虑从断面A到断面B的单向交通。
首先,定义下表1所述的名词:
表1
规则一、如果一辆车从断面A连续地行驶到断面B(不经任何出口离开路段再返回该路段),则它必然会被卡口a拍摄到,然后被卡口b拍摄到。
基于规则一,如果一辆车从断面A连续地行驶到断面B,则该车的路段行驶时间等于该车被卡口a和卡口b拍摄到的时间的差值(按秒计算)。此时分两种情形:
情形一、闭合路段
如果路段是闭合的(中间没有出入口),所有经过断面A的车必然会接着经过断面B;所有经过断面B的车必然在之前经过断面A,即φA=φB。计算在分析时段κ内、所有从断面A出发的车在断面A的时间和它们到达断面B的时间的差值,可以获得这些车的通行时间的集合集合内的每一个元素都是该路段在分析时段κ内的通行时间的样本数据。
情形二、非闭合路段
如果路段是非闭合的(中间有出入口),所有经过断面A的车未必全部接着经过断面B;所有经过断面B的车未必全部在之前经过断面A,即φA≠φB。在此情况下,本实施例只考虑从断面A连续行驶到断面B的车流量不为零的情况:
集合的车的行驶情况可分为以下几类:1)从断面A连续行驶到断面B;2)从断面A非连续行驶到断面B;3)从断面B非连续行驶到断面A。集合包含了曾连续从断面A到断面B的车的集合和曾非连续性从断面A到断面B的车的集合,即计算每一部车在断面A的时间和紧接着出现在断面B的时间的差,可以得到时间集合时间集合的一部分元素是路段的通行时间T的样本数据,另一部分则为异常值。异常值集合θ对于集合的补集就是(路段的通行时间集合)。
考虑一辆车从高清卡口数据库中,提取出该车被卡口a和卡口b拍摄到的记录和记录时间,形成单条序列序列的长度是Nc(Nc≥2),代表了该车被卡口a和卡口b拍摄到的总次数。序列的元素是一个记录Rc,i=Rc,i(Kc,i,Dc,i),由拍摄的卡口Kc,i(Kc,i=a,b)和拍摄时间Dc,i(年月日时分秒)组成。序列按照元素中的拍摄时间的先后排序。
规则二、基于所有车的序列集合提取信息并形成以下新的数据集合:
集合d内的一个元素代表是一辆车从断面A出发的时间和该车从断面A行驶到断面B(可能是连续或者非连续)的时间。
以下将通过一定规则将属于从断面A非连续行驶到断面B的车的元素从集合d中排除。
规则三、根据路段的长度和自定义的最慢行驶速度,可以求出从断面A连续行驶到断面B所需通行时间的上限将集合d内,时间大于上限的元素剔除,得到以下新的数据集合:
以上步骤将一部分或全部属于从断面A非连续行驶到断面B的车辆的元素从集合d剔除。
在基于规则二的异常数据点剔除后,仍然有少数的异常数据点可能存在。分析时段可以被平均分成多个区间。比如,分析时段是00:00:00a.m到23:59:59p.m,则分析时段可以按小时被平均分成24个区间。在每个区间内,可能有少量数据点的时间比同样处在这个区间的其他数据点的时间的值要高。因此,有可能需要把每个区间内的异常数据点剔除。剔除每个区间内的异常数据没有固定的规则,要根据路段的实际情况做出判断。此实施例仅提供一种区间异常数据剔除方法作为示例。
规则四、将每个区间内,通行时间最大的5%的数据点和通行时间最小的1%的数据点剔除,得到新的数据集合d″。
本实施例中,规则四中的5%和1%分别为上阈值和下阈值。分析者可以根据数据的发散程度,自行选择上阈值和下阈值的值。本方法认定上阈值的范围为0%~20%,下阈值的范围为0%~5%。
此发明方法认为,在经过了规则三和规则四的数据异常数据点剔除后,数据集合d″的绝大部分元素都时从断面A连续行驶到断面B的车的通行时间-到达时间对。d″的所有元素的通行时间(ti)的集合趋近于路段通行时间集合
规则五、基于数据集d″,采用局部加权线性回归算法,对数据进行拟合,生成组成回归线的数据集算法的步骤如下:
步骤一:
基于数据集d″=((xk,yk))k=1,2,...,N,得到到达时间的去重取值集合{X1,X2,...,Xn}(n≤N)。
然后,采用局部加权回归算法,计算获得去重取值集合中每个元素的局部线性回归线参数和该元素对应的通行时间回归值,具体通过以下公式进行计算:
上式中,ai,1,bi,1,ci,1,ai,2,bi,2,ci,2均为计算过程的中间变量,满足下式:
其中,Xi表示去重取值集合的第i元素,且Xi∈{X1,X2,...,Xn}(n≤N),{X1,X2,...,Xn}表示去重取值集合,N表示第二时间数据集中的元素个数,n表示去重取值集合中的元素个数,wi(xk)表示权重函数,其中参数π表示预设的拟合度参数,xk表示第二时间数据集中的第k个数据,yk表示第二时间数据集中的第k个数据的通行时间,θi,0,θi,1均为局部线性回归线参数,Yi表示Xi对应的通行时间回归值。
步骤二、对于所有Xi(i=1,2,...,n),重复步骤一,得到所有的(Xi,Yi),得到所有元素及每个元素对应的通行时间回归值组成的数据集合即
以K城市的某路段J为例。基于规则三和规则四,得到去噪后的数据集合d″。基于d″,得到了如图3所示的通行时间(tj)-到达时间(Dj)的散点图。
然后采用局部加权线性回归算法,得到了组成平滑回归线的数据集基于得到了如图4所示的平滑回归线,图4中,回归线由240个离散点回归处理后获得。
步骤三、选取平滑回归线的特征值,得到以下状况评价指标:自由流通行时间、次高峰开始时间、高峰开始时间、拥堵峰值时间、次高峰通行时间、高峰通行时间、高峰延误和次高峰延误,如图5所示。另外,本实施例还获得自由流车速和高峰车速作为评价指标,如图6所示。
由此可见,本方法可以准确提取获得每台车辆行驶到待分析路段的终点的到达时间以及通过待分析路段的通行时间,从而可以精确地统计分析时段内,待分析路段的交通状况,从而获得待分析路段的状况评价指标,可以根据待分析路段在分析时段内的车流数据,直观、形象且科学地对待分析路段进行交通状况评估。
实施例三
参照图7,基于道路高清卡口数据的路段状况评估系统,包括:
至少一个处理器100;
至少一个存储器200,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器100执行,使得所述至少一个处理器100实现所述的基于道路高清卡口数据的路段状况评估方法。
本实施例的基于用户行为的车辆目的地预测系统,可执行本发明方法实施例所提供的基于用户行为的车辆目的地预测方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于道路高清卡口数据的路段状况评估方法,其特征在于,包括以下步骤:
S1、获取待分析路段的第一高清卡口在分析时段内采集的第一数据集以及第二高清卡口在分析时段内采集的第二数据集;所述第一高清卡口设置在待分析路段的起点,所述第二高清卡口设置在待分析路段的终点;
S2、求取第一数据集和第二数据集的交集,得到第三数据集;
S3、提取第三数据集中的每台车辆的所有数据记录,形成该车辆对应的数据序列,最后将所有车辆的数据序列构成一序列集;
S4、根据序列集,提取获得每台车辆行驶到待分析路段的终点的到达时间和从起点出发行驶到终点的通行时间后,形成第一时间数据集;
S5、依次根据预设的区间异常数据剔除条件以及预设的过滤条件,对第一时间数据集进行数据过滤处理后,得到第二时间数据集;
S6、采用局部加权回归算法,将第二时间数据集的数据进行拟合后,得到第三时间数据集,进而将第三时间数据集的数据拟合组成一平滑回归线;
S7、根据该平滑回归线,获得待分析路段的状况评价指标。
2.根据权利要求1所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述步骤S6中所述采用局部加权回归算法,将第二时间数据集的数据进行拟合后,得到第三时间数据集的步骤,具体包括:
S61、基于第二时间数据集,获得到达时间的去重取值集合;
S62、采用局部加权回归算法,计算获得去重取值集合中每个元素的局部线性回归线参数和该元素对应的通行时间回归值;
S63、将去重取值集合中的所有元素及每个元素对应的通行时间回归值组成第三时间数据集。
3.根据权利要求2所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述步骤S62中,通过以下公式进行计算:
上式中,ai,1,bi,1,ci,1,ai,2,bi,2,ci,2均为计算过程的中间变量,满足下式:
其中,Xi表示去重取值集合的第i元素,且Xi∈{X1,X2,...,Xn}(n≤N),{X1,X2,...,Xn}表示去重取值集合,N表示第二时间数据集中的元素个数,n表示去重取值集合中的元素个数,wi(xk)表示权重函数,其中参数π表示预设的拟合度参数,xk表示第二时间数据集中的第k个数据,yk表示第二时间数据集中的第k个数据的通行时间,θi,0,θi,1均为局部线性回归线参数,Yi表示Xi对应的通行时间回归值。
4.根据权利要求1所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述分析时段为全日,且所述分析时段平均划分为多个区间。
5.根据权利要求1所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述步骤S5中,所述预设的区间异常数据剔除条件为:将分析时段内的每个区间中,通行时间大于待分析路段的通行时间上限的数据点剔除;
其中,所述待分析路段的通行时间上限为:将待分析路段的长度除以预设的最慢行驶速度后获得。
6.根据权利要求1所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述步骤S5中,所述预设的过滤条件为:剔除通行时间最大的m%的数据点和通行时间最小的n%的数据点;其中,m的取值范围为0-20,n的取值范围为0-5。
7.根据权利要求1所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述第一数据集和第二数据集均包括多个数据记录,每个数据记录至少包括以下内容:卡口所在路段、车流方向、车辆经过日期、车牌号码和车辆类型。
8.根据权利要求1所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述步骤S7中,所述状况评价指标由平滑回归线的变化状态而获得。
9.根据权利要求8所述的基于道路高清卡口数据的路段状况评估方法,其特征在于,所述步骤S7中,所述状况评价指标包括自由流通行时间、次高峰开始时间、高峰开始时间、拥堵峰值时间、次高峰通行时间、高峰通行时间、高峰延误和次高峰延误。
10.基于道路高清卡口数据的路段状况评估系统,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-9任一项所述的基于道路高清卡口数据的路段状况评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810660266.7A CN108898831B (zh) | 2018-06-25 | 2018-06-25 | 基于道路高清卡口数据的路段状况评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810660266.7A CN108898831B (zh) | 2018-06-25 | 2018-06-25 | 基于道路高清卡口数据的路段状况评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898831A true CN108898831A (zh) | 2018-11-27 |
CN108898831B CN108898831B (zh) | 2020-11-06 |
Family
ID=64346027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810660266.7A Active CN108898831B (zh) | 2018-06-25 | 2018-06-25 | 基于道路高清卡口数据的路段状况评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898831B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461312A (zh) * | 2018-12-27 | 2019-03-12 | 泰华智慧产业集团股份有限公司 | 基于redis的过车数据去重方法 |
WO2020253039A1 (zh) * | 2019-06-21 | 2020-12-24 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、计算机设备及存储介质 |
WO2021051568A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 路网拓扑结构的构建方法、装置、计算机设备及存储介质 |
CN115019525A (zh) * | 2022-06-20 | 2022-09-06 | 杭州海康威视数字技术股份有限公司 | 行程时间数据的筛选方法和交通信号控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000011290A (ja) * | 1998-06-22 | 2000-01-14 | Hitachi Ltd | 旅行時間・渋滞情報推定方法及び装置 |
JP2004240701A (ja) * | 2003-02-06 | 2004-08-26 | Hitachi Ltd | 旅行時間計測システム,コーン,車番認識システム |
CN103077610A (zh) * | 2012-12-31 | 2013-05-01 | 清华大学 | 一种路段旅行时间估计的方法和系统 |
CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN105489004A (zh) * | 2015-11-25 | 2016-04-13 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
CN105869405A (zh) * | 2016-05-25 | 2016-08-17 | 银江股份有限公司 | 基于卡口数据的城市道路交通拥堵指数计算方法 |
-
2018
- 2018-06-25 CN CN201810660266.7A patent/CN108898831B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000011290A (ja) * | 1998-06-22 | 2000-01-14 | Hitachi Ltd | 旅行時間・渋滞情報推定方法及び装置 |
JP2004240701A (ja) * | 2003-02-06 | 2004-08-26 | Hitachi Ltd | 旅行時間計測システム,コーン,車番認識システム |
CN103077610A (zh) * | 2012-12-31 | 2013-05-01 | 清华大学 | 一种路段旅行时间估计的方法和系统 |
CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN105489004A (zh) * | 2015-11-25 | 2016-04-13 | 杭州电子科技大学 | 面向道路实时速度计算的卡口与浮动车数据融合方法 |
CN105869405A (zh) * | 2016-05-25 | 2016-08-17 | 银江股份有限公司 | 基于卡口数据的城市道路交通拥堵指数计算方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461312A (zh) * | 2018-12-27 | 2019-03-12 | 泰华智慧产业集团股份有限公司 | 基于redis的过车数据去重方法 |
CN109461312B (zh) * | 2018-12-27 | 2020-10-30 | 泰华智慧产业集团股份有限公司 | 基于redis的过车数据去重方法 |
WO2020253039A1 (zh) * | 2019-06-21 | 2020-12-24 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、计算机设备及存储介质 |
WO2021051568A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 路网拓扑结构的构建方法、装置、计算机设备及存储介质 |
CN115019525A (zh) * | 2022-06-20 | 2022-09-06 | 杭州海康威视数字技术股份有限公司 | 行程时间数据的筛选方法和交通信号控制方法 |
CN115019525B (zh) * | 2022-06-20 | 2024-06-11 | 杭州海康威视数字技术股份有限公司 | 行程时间数据的筛选方法和交通信号控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108898831B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898831A (zh) | 基于道路高清卡口数据的路段状况评估方法及系统 | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
CN109754597B (zh) | 一种城市道路区域拥堵调控策略推荐系统及方法 | |
CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
CN107977476B (zh) | 一种估算汽车剩余续航里程的方法 | |
EP2619059B1 (en) | Driver profiling system and method | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN106571029B (zh) | 一种车辆排队长度检测的方法和装置 | |
CN109993215B (zh) | 一种基于交通大数据的路径诱导方法 | |
CN104732765B (zh) | 基于卡口数据的城市道路饱和度实时监测方法 | |
CN108446824A (zh) | 一种驾驶行为的风险评估方法、装置、设备及存储介质 | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
DE102015111671A1 (de) | Verfahren und Gerät zum Bestimmen von relativen Fahreigenschaften unter Verwendung von partizipativen Messsystemen | |
CN106022846A (zh) | 车险定价及二手车定价方法和装置 | |
CN113033976B (zh) | 基于事件触发机制的城市道路系统的可靠滤波设计方法 | |
CN108091132A (zh) | 一种交通流量预测方法及装置 | |
CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN105654574A (zh) | 基于车载设备的驾驶行为评估方法及装置 | |
CN111452799A (zh) | 驾驶行为评价方法及系统 | |
DE102010041616A1 (de) | Verfahren zum Erfassen eines Energieverbrauchs, Verfahren zum Durchführen einer Routenplanung, System und Computerprogrammprodukt | |
CN111581538A (zh) | 一种基于高速公路收费数据的高速交通流状态推断方法 | |
CN109035775B (zh) | 一种突发事件识别的方法及装置 | |
CN109887292A (zh) | 车辆类型的识别方法及系统 |
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 |