CN108932838A - 检测高速公路上的拥堵状况的方法和装置 - Google Patents
检测高速公路上的拥堵状况的方法和装置 Download PDFInfo
- Publication number
- CN108932838A CN108932838A CN201710382112.1A CN201710382112A CN108932838A CN 108932838 A CN108932838 A CN 108932838A CN 201710382112 A CN201710382112 A CN 201710382112A CN 108932838 A CN108932838 A CN 108932838A
- Authority
- CN
- China
- Prior art keywords
- base station
- congestion
- highway
- traffic volume
- sequence
- 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
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
Abstract
根据本发明,提出了一种检测高速公路上的拥堵状况的方法,包括:形成高速公路沿线的用于拥堵检测的基站的序列;针对所述基站序列中的各基站,输入当前的业务量统计数据;从输入的当前的业务量统计数据清洗缺失数据、以及不属于用于拥堵检测的有效时间范围内的数据;基于异常检测模型检测各基站的清洗后的业务量统计数据是否有异常,从而确定拥堵区基站;以及确定高速公路上的各拥堵区基站所覆盖的拥堵路段的范围,从而获得高速公路上的拥堵状况。
Description
技术领域
本发明涉及一种检测高速公路上的拥堵状况的方法和装置,能够通过输入的业务量统计数据判别出拥堵区基站,从而确定高速公路的拥堵状况。
背景技术
随着公路交通的大力发展,交通拥堵状况的检测成为一个重要的研究方向。通过准确且即时地获取交通拥堵状态,高速公路上的车辆可以采用适当的方式避开拥堵或者错峰出行。因此,对交通拥堵状况的检测已经成为在交通领域进行研究的一个重要方向。
中国专利公开CN103903436A提出了一种基于浮动车的高速公路交通拥堵检测的方案。该方案通过对电子地图中路段进行虚拟窗格的划分,并结合采集的浮动车GPS数据,可以实现对交通拥堵状态的判断,并且依据为交通拥堵状态的虚拟窗格确定交通拥堵事件,并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行分类,进而可以依据分类后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。该方案的数据源为浮动车GPS数据,浮动车较固定检测器相比具有更广的检测范围以及更加灵活的检测移动性,可以相对准确地判断出当前的交通拥堵状况。
中国专利公开CN106355884A提出了基于车型分类的高速公路车辆引导的方案。在该方案中,利用现有高速公路上装有的监控摄像头采集待检测区域的视频图像,利用该视频图像进行车辆检测、跟踪、分类,计算总车辆密度、总平均速度及不同类型车辆所占密度比,并进行拥堵判别,当发生长时间拥堵时,对车辆密度比较高的某类型车辆加以引导。
上述两个现有技术方案采用了浮动车、或者视频监控等技术来进行拥堵检测,因此,需要设置浮动车和视频监控设备来完成拥堵检测,需要花费极大的成本和工时来实现该拥堵检测技术。
另外,中国专利公开CN104318770A公开了一种基于手机数据实时检测高速公路交通拥堵状态的方案。该方案根据当前更新周期内路段的平均旅行速度与所在路段的交通状态车速阈值进行比较,以初步判断当前更新周期的交通状态,若为畅通则直接发布;若为拥堵则进一步确认,通过计算当前更新周期结束时刻离开、未离开当前路段的手机终端样本数量,来进一步确认当前更新周期内的路段交通状态。在该方案中,依托现有的无线通信网络信息资源,利用已有手机网络中的定位数据,通过各个更新周期内的各路段的平均旅行速度以及不同时刻各个路段上所具有的手机终端样本数量以分别对路段当前更新周期内的交通状态进行多重判断,以提高高速公路交通拥堵状态的实时检测准确率。
此外,中国专利公开CN102324182A公开了一种基于蜂窝网络的交通道路信息检测系统及其检测方案,主要解决现有技术成本高、流量信息准确性较差的问题。其检测系统包括车载终端、小区基站以及辅助的手持终端,该小区基站设有交通信息提取模块和交通信息处理模块。车载终端将采集到的监测车辆的交通信息通过现有的蜂窝网络发送给所在小区基站,同时,手持终端也将授权用户观测到的路况信息发送给所在小区基站,小区基站则利用接收到的交通信息,通过计算路段的拥堵函数值,判定路段的拥堵状态,最后由小区基站以广播形式将路段拥堵状态信息发送给附近的车载终端。
在这两个现有技术方案中,采用从终端实时接收到的诸如车速和交通状态信息等数据,由基站等设备来分析或判定道路的拥堵状态。因此,需要车载终端具有获取并处理车速和交通状态信息等数据的能力,并且需要将这些数据实时地传递到基站等设备。与此同时,需要对传统的移动基站进行功能升级以支持交通信息的接收与处理,投入成本较高。
考虑到上述情况,需要一种更简单更高效的拥堵检测技术,可以利用诸如当前的业务量统计数据等已有的移动网络管理数据来直接判别出拥堵状况和拥堵路段。
发明内容
为了克服现有技术的上述缺陷提出了本发明。因此,本发明的目的之一是提出一种检测高速公路上的拥堵状况的方法和装置,能够通过输入的业务量统计数据判别出拥堵区基站,从而确定高速公路的拥堵状况。
根据本发明,提出了一种检测高速公路上的拥堵状况的方法,包括:形成高速公路沿线的用于拥堵检测的基站的序列;针对所述基站的序列中的各基站,输入当前的业务量统计数据;从输入的当前的业务量统计数据清洗缺失数据、以及不属于用于拥堵检测的有效时间范围内的数据;基于异常检测模型检测各基站的清洗后的业务量统计数据是否有异常,从而确定拥堵区基站;以及确定高速公路上的各拥堵区基站所覆盖的拥堵路段的范围,从而获得高速公路上的拥堵状况。
优选地,所述确定高速公路沿线的用于拥堵检测的基站的序列的步骤包括:确定高速公路上的经纬度点序列;针对高速公路上的经纬度点序列中的各经纬度点,计算该经纬度点周边的一个或多个基站的离该经纬度点的等效距离;以及利用离各经纬度点的等效距离最近的基站来形成高速公路沿线的用于拥堵检测的基站的序列。
优选地,针对所述基站的序列中的各基站,所述用于拥堵检测的有效时间范围是基于有效时间范围类别分类器来确定的,所述有效时间范围类别分类器是基于基站周边的兴趣点信息即POI信息构建的针对有效时间范围的类别分类器,
优选地,构建有效时间范围类别分类器时所使用的有效时间范围是基于所选择的部分基站的业务量历史数据,通过人工筛选得到的。
优选地,所述基站周边的兴趣点信息反映基站周边的特定范围内的人口稠密状况。
优选地,所述有效时间范围是对于基站,其业务量统计数据能够被用于高速公路上的拥堵检测的时间段。
优选地,所述异常检测模型是利用基站的业务量历史数据,通过训练回归建立的。
优选地,所述确定拥堵区基站的步骤包括:将清洗后的业务量统计数据有异常的基站确定为拥堵区基站。
优选地,所述确定拥堵区基站的步骤包括:利用清洗后的业务量统计数据有异常的基站来构建异常基站列表;对异常基站列表进行遍历,在一个异常基站的相邻的一个或多个基站均为异常基站的情况下,将这些异常基站全部标记为拥堵区基站。
根据本发明,还提出了一种检测高速公路上的拥堵状况的装置,包括:形成高速公路沿线的用于拥堵检测的基站的序列的单元;针对所述基站的序列中的各基站,输入当前的业务量统计数据的单元;从输入的当前的业务量统计数据清洗缺失数据、以及不属于用于拥堵检测的有效时间范围内的数据的单元;基于异常检测模型检测各基站的清洗后的业务量统计数据是否有异常,从而确定拥堵区基站的单元;以及确定高速公路上的各拥堵区基站所覆盖的拥堵路段的范围,从而获得高速公路上的拥堵状况的单元。
发明效果
根据本发明,能够通过从现有网管系统提取的业务量统计数据判别出拥堵区基站,从而低成本并高效地确定高速公路的拥堵状况。
附图说明
通过参考附图的详细描述,本发明的上述目的和优点将变得更清楚,其中:
图1是示出了根据本发明的形成用于检测目标高速公路的拥堵的基站的序列的方法的流程图。
图2是示出了根据本发明的基于POI信息来获取所形成的基站的序列中的每个基站的用于进行拥堵检测的有效时间范围的方法的流程图。
图3是示出了根据本发明的第一实施例的针对目标高速公路沿线的各基站进行拥堵检测的方法的流程图。
图4是示出了根据本发明的第二实施例的针对目标高速公路沿线的各基站进行拥堵检测的方法的流程图。
图5是示出了根据本发明的建立异常检测模型的方法的流程图。
具体实施方式
下面将参考附图描述本发明的优选实施例。在附图中,相同的元件将由相同的参考符号或数字表示。此外,在本发明的下列描述中,将省略对已知功能和配置的具体描述,以避免使本发明的主题不清楚。
图1是示出了根据本发明的形成用于检测目标高速公路的拥堵的基站的序列的方法的流程图。
如图1所示,在步骤101,通过电子地图应用API,例如通过百度地图API等,查询一个起始点都在目标高速公路上(例如,途径收费站、服务区)的导航,即可获得一个完全落在目标高速公路上的经纬度点的序列。
在步骤103,针对以上所获得的序列中所包含的每个目标高速公路上的经纬度点,计算其与周边N个基站的等效距离,N为自然数。
具体地,基于已有的运营商基站部署数据,可以获得某区域内所有基站的经纬度信息、以及额定发射功率信息。所述“等效距离”,是指在高速公路经纬度点与基站经纬度计算出的实际距离基础上,通过计算基站发射功率与“标准发射功率”的差异,换算出的等效发射功率。例如,设定“标准发射功率”为46dBm,而目标基站A的额定发射功率为30dBm,则目标基站的发射功率是标准发射功率的1/40。假设目标基站与某经纬度点的实际空间距离为d,则等效空间距离为按照这种方式,可以针对每个目标高速公路上的经纬度点,计算部署在该经纬度点周边的N个基站的等效距离。
下表1示出了基于已有的运营商基站部署数据所获得的基站-高速公路路段覆盖关系表。
表1
根据该基站-高速公路路段覆盖关系表,可以对各经纬度点周边的基站的等效距离进行计算。
最后,在步骤105,针对前述序列中所包含的每个经纬度点,从部署在该经纬度点周边的N个基站找到等效距离最近的基站,然后,可基于基站所属经纬度点在序列中的顺序关系,可以获得基站在覆盖目标高速公路时的顺序关系,从而形成离各个经纬度点等效距离最近的基站的序列,作为用于检测目标高速公路的拥堵的基站的序列。
根据本发明,通过将等效距离而非实际距离最近的基站确定为用于检测目标高速公路的拥堵的基站,能够选择更合适用于拥堵检测的基站来进行拥堵检测。
图2是示出了根据本发明的基于POI信息来获取所形成的基站的序列中的每个基站的用于进行拥堵检测的有效时间范围的方法的流程图。
如图2所示,在步骤201,通过电子地图,获取每个基站周边K米内的POI信息。这里,周边K米的范围诸如可以根据实际经验来人为设定,当然本发明并不局限于此。
这里,所述POI(兴趣点)信息,是指地图应用中的地标,例如政府部门、商业机构等。该POI信息可以在地图应用中查询到。
一个经纬度点附近的POI信息可以用来判断该地区是否人口稠密地区。由此,基于基站的经纬度信息查询周边POI信息,可以判断该基站覆盖范围内,高速公路上的汽车乘客的通信是否是主要的业务量来源。
下表2示出了基站周边的POI信息表格的示例。
表2
如表2所示,基站周边的POI信息表格记载了某个基站周边的诸如便利百货、政府机构、公司企业、住宅小区、写字楼、教育机构等的存在与否和存在数量。由此,反映出该基站周边的特定范围的人口稠密状况等。
在步骤203,选择部分基站,基于所选择的各基站的业务量历史数据,人工筛选针对各基站的有效时间范围。
所述基站的有效时间范围是指对于某个基站,其业务量统计数据可以被用于高速公路上拥堵检测的时间段。
例如,当一个基站靠近高速公路且覆盖范围内人口稀疏的时候,其有效时间范围可以是全天。当一个基站的覆盖范围内包含高速公路但是人口稠密,人员活动密集的时候,则有效时间范围可能仅限定于特定时间段,例如晚10点-第二天早上8点等。不同经济环境的人口稠密地区,其有效时间范围的分布也可能不一样,例如城市休息晚,农村休息早。而前述的POI信息可以反映由于经济环境的差异而造成的有效时间范围的分布的差异。
在步骤205,将有效时间范围分为M类。基于前述的所选择的部分基站的POI信息,可以构建有效时间范围类别分类器。
最后,在步骤207,通过利用POI信息构建分类器,可以对针对每个基站对该基站周边的POI信息进行分类。由此,可以利用某个基站周边的POI信息,来确定该基站的用于进行拥堵检测的有效时间范围。
根据本发明,通过利用POI信息来确定该基站的用于进行拥堵检测的有效时间范围,能够通过更简单更快速的方法来获得某基站的有效时间范围,使得可以在稍后所描述的本发明的进行拥堵检测的方法中用于对输入的业务量统计数据进行清洗。
第一实施方式
图3是示出了根据本发明的第一实施例的针对目标高速公路沿线的各基站进行拥堵检测的方法的流程图。
如图3所示,在步骤301,针对目标高速公路沿线的各基站,进行当前的周期性业务量统计数据的输入。
在步骤303,所有基站基于周期性输入的业务量统计数据,首先清洗缺失数据,以及不属于有效时间范围内的数据。
然后,在步骤305,基于异常检测模型检测清洗后的业务量统计数据是否有异常,检测到异常的基站标记为拥堵区基站。
然后,在步骤307,根据下表3所示的基站-高速公路路段的覆盖关系,标记高速公路的拥堵区域。
表3
根据该表3,可以确定被标记为各拥堵区基站的覆盖路段端点1和覆盖路段端点2,即可以确定高速公路路段上的各拥堵区基站所覆盖的拥堵路段的范围。
最后,在步骤309,将输入的业务量统计数据更新至历史业务量数据库。
根据本发明的第一实施例,能够通过输入的业务量统计数据判别出拥堵区基站,从而确定高速公路的拥堵状况。
第二实施方式
图4是示出了根据本发明的第二实施例的针对目标高速公路沿线的各基站进行拥堵检测的方法的流程图。
如图4所示,在步骤401,针对目标高速公路沿线的各基站,进行当前的周期性业务量统计数据的输入。
在步骤403,所有基站基于周期性输入的业务量统计数据,首先清洗缺失数据,以及不属于有效时间范围内的数据。
然后,在步骤405,基于异常检测模型检测清洗后的业务量统计数据是否有异常,对于所有检测到异常的基站构建一个异常基站列表。关于异常检测模型的建立,稍后将结合图4进行描述。
在步骤407,对异常基站列表进行遍历,当一个检测到异常的基站其相邻的M个基站均为异常基站,则将这些基站全部标记为拥堵区基站。
然后,在步骤409,根据上面的表3所示的基站-高速公路路段的覆盖关系,标记高速公路的拥堵区域。
最后,在步骤411,将输入的业务量统计数据更新至历史业务量数据库。
本发明的第二实施例与上述第一实施例的差别在于:对于所有检测到异常的基站构建一个异常基站列表的过程、以及对异常基站列表进行遍历,当一个检测到异常的基站其相邻的M个基站均为异常基站,则将这些基站全部标记为拥堵区基站的过程。即,在第二实施例中,并非仅仅简单地将检测到异常的基站确定为拥堵区基站,而是在一个检测到异常的基站的相邻的一个或多个基站均为异常基站的情况下,才将它们确定为拥堵区基站。也就是,在相邻的特定数量(例如,两个以上)的基站出现业务量异常时,才判别对应的路段区域出现拥堵,因此相对于本发明的第一实施例的仅以一个基站的异常来判断拥堵的情况,本发明的第二实施例的方法使得判断结果更为可靠准确。
图5是示出了根据本发明的建立异常检测模型的方法的流程图。
如图5所示,在步骤501,针对每个基站,从历史数据库中提取其业务量历史数据。
在步骤503,历史数据通过数据清洗,去除缺失数据以及不在有效时间范围内的数据。这些历史数据按照一定规则构成数据特征,例如针对某个时刻,可以将该时刻前24小时内每个周期业务量数据作为特征,将该时刻的业务量作为预测目标。
在步骤505,这样构成的数据集可以训练一个回归模型,即利用过去一段时间的业务量数据,可以预测下一个周期的业务量结果。例如,针对某一个基站,基于该基站的业务量历史数据,可以构建这样一个向量(It,It-1,It-2,...,It-24),其中It为基站在时刻t的业务量,而It-n为基站在时刻t的前n个周期的业务量。当f取多个值时,即可得到对应的一组向量。将这组向量作为常用回归算法的输入,例如线性回归,Ridge回归等,即可得到以It-1到It-24为特征,以It为预测目标的回归预测模型,即输入该基站过去24个周期的业务量数据,即可得到下个周期的业务量预测值。
在步骤507,基于历史数据,计算这样得到的预测结果与实际的业务量结果的差值。
在步骤509,通过统计这种差值,可以设置判定阈值。当实际业务量结果与预测结果的差值高于此阈值时,即判定业务量发生异常。所述阈值可以基于实际业务量结果与预测结果的差值分布来设定,例如当差值为正态分布时,取3*标准差的正值为判定阈值等。所述差值的分布可通过历史数据计算得出,并应随时间累积进行更新。
最后,在步骤411,在将所述回归模型与所设的阈值保存为异常检测模型。由此,当在线运行时,可以利用此异常检测模型对业务量统计数据的异常变化进行实时检测。
根据本发明,通过利用回归模型来建立异常检测模型的方式,能够以更简单的方式实时地利用当前的业务统计数据来判断基站是否存在业务异常。
另外,需要指出的是,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统(例如,一个或多个处理器)使用或者结合指令执行系统使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
以上列举了若干具体实施例来详细阐明本发明,这些个例仅用于说明本发明的原理及其实施方法,而非对本发明的限制,在不脱离本发明的精神和范围的情况下,本领域的技术人员还可以做出各种变形和改进。因此,本发明不应由上述实施例来限定,而应由所附权利要求及其等价物来限定。
Claims (10)
1.一种检测高速公路上的拥堵状况的方法,包括:
形成高速公路沿线的用于拥堵检测的基站的序列;
针对所述基站的序列中的各基站,输入当前的业务量统计数据;
从输入的当前的业务量统计数据清洗缺失数据、以及不属于用于拥堵检测的有效时间范围内的数据;
基于异常检测模型检测各基站的清洗后的业务量统计数据是否有异常,从而确定拥堵区基站;以及
确定高速公路上的各拥堵区基站所覆盖的拥堵路段的范围,从而获得高速公路上的拥堵状况。
2.根据权利要求1所述的方法,其中,
所述确定高速公路沿线的用于拥堵检测的基站的序列的步骤包括:
确定高速公路上的经纬度点序列;
针对高速公路上的经纬度点序列中的各经纬度点,计算该经纬度点周边的一个或多个基站的离该经纬度点的等效距离;以及
利用离各经纬度点的等效距离最近的基站来形成高速公路沿线的用于拥堵检测的基站的序列。
3.根据权利要求1所述的方法,其中,
针对所述基站的序列中的各基站,所述用于拥堵检测的有效时间范围是基于有效时间范围类别分类器来确定的,
所述有效时间范围类别分类器是基于基站周边的兴趣点信息即POI信息构建的针对有效时间范围的类别分类器,
4.根据权利要求3所述的方法,其中,
构建有效时间范围类别分类器时所使用的有效时间范围是基于所选择的部分基站的业务量历史数据,通过人工筛选得到的。
5.根据权利要求3所述的方法,其中,
所述基站周边的兴趣点信息反映基站周边的特定范围内的人口稠密状况。
6.根据权利要求3所述的方法,其中,
所述有效时间范围是对于基站,其业务量统计数据能够被用于高速公路上的拥堵检测的时间段。
7.根据权利要求1所述的方法,其中,
所述异常检测模型是利用基站的业务量历史数据,通过训练回归建立的。
8.根据权利要求1所述的方法,其中,
所述确定拥堵区基站的步骤包括:
将清洗后的业务量统计数据有异常的基站确定为拥堵区基站。
9.根据权利要求1所述的方法,其中,
所述确定拥堵区基站的步骤包括:
利用清洗后的业务量统计数据有异常的基站来构建异常基站列表;
对异常基站列表进行遍历,在一个异常基站的相邻的一个或多个基站均为异常基站的情况下,将这些异常基站全部标记为拥堵区基站。
10.一种检测高速公路上的拥堵状况的装置,包括:
形成高速公路沿线的用于拥堵检测的基站的序列的单元;
针对所述基站的序列中的各基站,输入当前的业务量统计数据的单元;
从输入的当前的业务量统计数据清洗缺失数据、以及不属于用于拥堵检测的有效时间范围内的数据的单元;
基于异常检测模型检测各基站的清洗后的业务量统计数据是否有异常,从而确定拥堵区基站的单元;以及
确定高速公路上的各拥堵区基站所覆盖的拥堵路段的范围,从而获得高速公路上的拥堵状况的单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382112.1A CN108932838A (zh) | 2017-05-25 | 2017-05-25 | 检测高速公路上的拥堵状况的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382112.1A CN108932838A (zh) | 2017-05-25 | 2017-05-25 | 检测高速公路上的拥堵状况的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108932838A true CN108932838A (zh) | 2018-12-04 |
Family
ID=64450998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710382112.1A Pending CN108932838A (zh) | 2017-05-25 | 2017-05-25 | 检测高速公路上的拥堵状况的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932838A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598610A (zh) * | 2020-04-13 | 2020-08-28 | 北京邮电大学 | 一种异常事件检测方法及装置 |
CN115223369A (zh) * | 2022-08-16 | 2022-10-21 | 中国银行股份有限公司 | 交通疏导方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000008617A2 (de) * | 1998-07-31 | 2000-02-17 | Institut für Halbleiterphysik Frankfurt (Oder) GmbH | Verfahren zur ermittlung von dynamischen verkehrsinformationen |
JP2013218477A (ja) * | 2012-04-06 | 2013-10-24 | Adc Technology Inc | 道路交通情報配信システム及び車載端末装置 |
CN104200667A (zh) * | 2014-09-19 | 2014-12-10 | 上海美慧软件有限公司 | 一种基于手机信号数据的交通拥堵分级检测方法 |
CN104778836A (zh) * | 2015-04-03 | 2015-07-15 | 江苏省交通规划设计院股份有限公司 | 基于手机信令数据质量感知的高速公路交通状态识别方法 |
CN106504524A (zh) * | 2016-09-14 | 2017-03-15 | 杭州诚智天扬科技有限公司 | 一种基于移动信令动态划分高速公路路段的方法 |
-
2017
- 2017-05-25 CN CN201710382112.1A patent/CN108932838A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000008617A2 (de) * | 1998-07-31 | 2000-02-17 | Institut für Halbleiterphysik Frankfurt (Oder) GmbH | Verfahren zur ermittlung von dynamischen verkehrsinformationen |
JP2013218477A (ja) * | 2012-04-06 | 2013-10-24 | Adc Technology Inc | 道路交通情報配信システム及び車載端末装置 |
CN104200667A (zh) * | 2014-09-19 | 2014-12-10 | 上海美慧软件有限公司 | 一种基于手机信号数据的交通拥堵分级检测方法 |
CN104778836A (zh) * | 2015-04-03 | 2015-07-15 | 江苏省交通规划设计院股份有限公司 | 基于手机信令数据质量感知的高速公路交通状态识别方法 |
CN106504524A (zh) * | 2016-09-14 | 2017-03-15 | 杭州诚智天扬科技有限公司 | 一种基于移动信令动态划分高速公路路段的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598610A (zh) * | 2020-04-13 | 2020-08-28 | 北京邮电大学 | 一种异常事件检测方法及装置 |
CN111598610B (zh) * | 2020-04-13 | 2023-10-24 | 北京邮电大学 | 一种异常事件检测方法及装置 |
CN115223369A (zh) * | 2022-08-16 | 2022-10-21 | 中国银行股份有限公司 | 交通疏导方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6490519B1 (en) | Traffic monitoring system and methods for traffic monitoring and route guidance useful therewith | |
De Fabritiis et al. | Traffic estimation and prediction based on real time floating car data | |
Lin et al. | A review of travel-time prediction in transport and logistics | |
US9786161B2 (en) | Methods and systems for estimating road traffic | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
IL145075A (en) | Apparatus and methods for providing route guidance for vehicles | |
Olia et al. | Optimizing the number and locations of freeway roadside equipment units for travel time estimation in a connected vehicle environment | |
Sharma et al. | Evaluation of opportunities and challenges of using INRIX data for real-time performance monitoring and historical trend assessment | |
Kianfar et al. | Placement of roadside equipment in connected vehicle environment for travel time estimation | |
CN109996278A (zh) | 道路网络质量评估方法、装置、设备及介质 | |
Kaack et al. | Truck traffic monitoring with satellite images | |
US20190120637A1 (en) | Predicting vehicle travel time on routes of unbounded length in arterial roads | |
Wang et al. | Error assessment for emerging traffic data collection devices. | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
Thakurzx et al. | Modeling and characterization of urban vehicular mobility using web cameras | |
Gore et al. | Exploring credentials of Wi‐Fi sensors as a complementary transport data: an Indian experience | |
CN108932838A (zh) | 检测高速公路上的拥堵状况的方法和装置 | |
Ferdous et al. | Intelligent traffic monitoring system using VANET infrastructure and ant colony optimization | |
Alrukaibi et al. | Real-time travel time estimation in partial network coverage: A case study in Kuwait City | |
Kottayil et al. | Investigation of driver route choice behaviour using bluetooth data | |
Wu et al. | Traffic information estimation methods from handover events | |
Pinzel et al. | V2V-and V2X-Communication data within a distributed computing platform for adaptive radio channel modelling | |
Ali et al. | The Importance of Google Maps for Traffic in Calculating the Level of Service for the Road and Traffic Delay | |
Wu et al. | Location–allocation strategies for traffic counters—a citywide deployment | |
Codeca et al. | Traffic routing in urban environments: The impact of partial information |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181204 |
|
WD01 | Invention patent application deemed withdrawn after publication |