CN109035778A - 拥堵成因分析方法、装置、计算机设备及存储介质 - Google Patents
拥堵成因分析方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109035778A CN109035778A CN201810994514.1A CN201810994514A CN109035778A CN 109035778 A CN109035778 A CN 109035778A CN 201810994514 A CN201810994514 A CN 201810994514A CN 109035778 A CN109035778 A CN 109035778A
- Authority
- CN
- China
- Prior art keywords
- congestion
- congested link
- traffic
- attribute
- traffic flow
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及拥堵成因分析方法、装置、计算机设备及存储介质,该方法包括获取道路的交通流数据;对交通流数据进行预处理;根据预处理的交通流数据构建拥堵评价指标体系;识别常发性拥堵路段及重点拥堵路段;针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;采用成因分析模型分析拥堵特征描述矩阵;根据分析结果获取属性分类的决策树;反馈属性分类的决策树。本发明实现准确发现造成拥堵的主要因素,提高了分析效率,减少因分析不准确造成的损失。
Description
技术领域
本发明涉及交通拥堵分析方法,更具体地说是指拥堵成因分析方法、装置、计算机设备及存储介质。
背景技术
一个便捷、高效、畅通的交通系统是一个城市可持续发展的重要保障。随着城市化进程的日益加速,城市规模越来越大,交通需求大幅增长,对现有的城市交通产生极大的压力。交通问题已经成为困扰我国许多城市发展的“流行病”,成为制约城市经济和社会发展的“瓶颈”,造成拥堵供需失衡的原因十分复杂,既有系统功能布局失衡导致的交通需求时空分布畸形化问题,又有系统外部因素如交通意识淡薄等的影响引起,且在拥堵时空分布特点、成因等不清楚的情况下做出治理拥堵的决策,这样存在以下三方面问题:
一是缺乏对交通拥堵的客观认识及评价,对城市交通流的形成、发展和运行规律尚不清楚,城市道路网是一个具有高度开放性的复杂系统,具有随机波动性、周期规律性等动态特征,拥堵的治理基于对拥堵形成机理及演变规律的认识,如果不能对路网运行水平做出动态定量评价,就无法准确把握拥堵的生成规律;
二是缺乏对交通拥堵规律的科学把握,无法把握有效的治理交通拥堵;
三是忽视了对交通拥堵成因的客观分析,治堵重点不明确。交通拥堵与城市经济社会发展相伴生,处于不同阶段的城市在特定时期治理交通拥堵的措施必然也会有所差异,尽管当前国内大城市都在积极努力治理交通拥堵,但是,部分城市由于缺乏对城市所处发展阶段的准确把握,缺乏对拥堵成因的客观分析,未能有效把握在当前阶段治理交通拥堵的重点和优先顺序,很多的规划与管理措施只是简单模仿其他城市建设道路、建设轨道交通等,造成拥堵治理与预期效果产生较大偏差。
综上所述,目前的治理拥堵的决策依旧存在由于分析不准确造成决策不起效,因此造成不必要的损失。
因此,有必要设计一种新的方法,实现准确发现造成拥堵的主要因素,提高了分析效率,减少因分析不准确造成的损失。
发明内容
本发明的目的在于克服现有技术的缺陷,提供拥堵成因分析方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:拥堵成因分析方法,包括:
获取道路的交通流数据;
对交通流数据进行预处理;
根据预处理的交通流数据构建拥堵评价指标体系;
识别常发性拥堵路段及重点拥堵路段;
针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;
采用成因分析模型分析拥堵特征描述矩阵;
根据分析结果获取属性分类的决策树;
反馈属性分类的决策树。
其进一步技术方案为:所述交通流数据包括静态数据和动态数据,所述静态数据包括交通道路网络数据、车道属性、车道行驶方向以及车道限速信息中至少一个,所述动态数据包括车辆类型、车牌号、过车速度、过车时间以及过车地点中至少一个。
其进一步技术方案为:所述根据预处理的交通流数据构建拥堵评价指标体系,包括:
获取预处理后的交通流数据中的车辆速度;
根据车辆速度划分交通拥堵类别;
利用多个交通拥堵类别构建拥堵评价指标体系。
其进一步技术方案为:所述针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵,包括:
确定常发性拥堵路段及重点拥堵路段的拥堵特征变量;
获取拥堵特征变量的评价值;
根据拥堵特征变量以及评价值形成初始矩阵;
对初始矩阵进行归一化处理,以得到拥堵特征描述矩阵。
其进一步技术方案为:所述采用成因分析模型分析拥堵特征描述矩阵,包括:
对拥堵特征描述矩阵按照属性划分成若干个类数据子集;
根据类数据子集计算各个属性的条件熵;
根据条件熵获取各个属性的信息增益、分割信息量和信息增益率,以得到分析结果。
其进一步技术方案为:所述根据分析结果获取属性分类的决策树,包括:
比较各个属性的信息增益率,选择信息增益率最大的属性;
设置信息增益率最大的属性为分裂节点,设置权值分裂节点为最大的信息增益率,以得到决策树。
其进一步技术方案为:所述反馈属性分类的决策树,包括:
将决策树以BNF范式定义规则语言的语法输出。
本发明还提供了拥堵成因分析装置,包括:
数据获取单元,用于获取道路的交通流数据;
预处理单元,用于对交通流数据进行预处理;
体系获取单元,用于根据预处理的交通流数据构建拥堵评价指标体系;
识别单元,用于识别常发性拥堵路段及重点拥堵路段;
矩阵构建单元,用于针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;
分析单元,用于采用成因分析模型分析拥堵特征描述矩阵;
决策树获取单元,用于根据分析结果获取属性分类的决策树;
反馈单元,用于反馈属性分类的决策树。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过根据交通流数据,评价路网的拥堵状态,建立定量且定性的拥堵评价指标体系,以交通拥堵的时空分布特征形成的拥堵特征描述矩阵为评价对象,采用成因分析模型对拥堵特征描述矩阵内的拥堵成因进行分析和研究,找出蕴含于数据中的价值模式,根据成因及特点采取不同的治理对策,以形成决策树,实现准确发现造成拥堵的主要因素,提高了分析效率,减少因分析不准确造成的损失。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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拥堵成因分析方法的应用场景示意图;
图2为本发明实施例提供的拥堵成因分析方法的流程示意图;
图3为本发明实施例提供的拥堵评价指标体系的示意图;
图4为本发明实施例提供的拥堵类型判断的示意图;
图5为本发明实施例提供的常发性拥堵路段及重点拥堵路段识别的示意图;
图6为本发明实施例提供的成因分析模型的示意图;
图7为本发明实施例提供的城市交通拥堵成因分析的应用示意图;
图8为本发明实施例提供的拥堵成因分析装置的示意性框图;
图9为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的拥堵成因分析方法的应用场景示意图。图2为本发明实施例提供的拥堵成因分析方法的示意性流程图。该拥堵成因分析方法应用于服务器中。该服务器可以为分布式服务平台中的一台服务器,该服务器中部署有拥堵成因分析平台,由检测器以及子服务器输入交通流数据,服务器对输入的交通流数据进行分析,以反馈决策规则集至用户终端。
需要说明的是,图2中仅仅示意出一台服务器,在实际操作过程中,是多个服务器20进行多个道路的用于成因分析。
图2是本发明实施例提供的拥堵成因分析方法的流程示意图。如图2所示,该方法包括以下步骤S110至S180。
S110、获取道路的交通流数据;
在本实施例中,上述的交通流数据包括静态数据和动态数据,所述静态数据包括交通道路网络数据、车道属性、车道行驶方向以及车道限速信息中至少一个,所述动态数据包括车辆类型、车牌号、过车速度、过车时间以及过车地点中至少一个。
具体是从作为源数据库的各种交通子系统中获取相关数据,其中各种交通子系统集成在各个子服务器内。根据数据获取方式和更新周期情况,可以分为静态数据和动态数据。静态数据指城市交通系统中相对静止的,对时间变化不敏感的数据,如交通道路网络数据、车道属性(机动车道或者非机动车道)、车道行驶方向、车道限速信息等。动态数据是指随时间变化而变化的树,如车辆类型、车牌号、过车速度、过车时间、过车地点等,可以通过固定的检测器如地感线圈以及浮动车、卡口等采集。
S120、对交通流数据进行预处理。
对检测器采集的交通流数据进行抽取、清洗、转换操作,剔除异常数据以及归一化处理等,再进行分析,以剔除不必要的数据,增大分析的准确率。
S130、根据预处理的交通流数据构建拥堵评价指标体系。
在一实施例中,上述步骤S130可包括步骤S131~S133。
S131、获取预处理后的交通流数据中的车辆速度;
S132、根据车辆速度划分交通拥堵类别;
S133、利用多个交通拥堵类别构建拥堵评价指标体系。
采用速度将交通拥堵状态划分为缓行、中度拥堵、严重拥堵等三个状态。通过统计分析计算,得到拥堵识别基本指标数据,按照三个拥堵状态加上两个非拥堵状态即可形成拥堵评价指标体系,基于路段平均行程速度的各道路类型路段拥堵等级划分如表1所示。
表1
如图3所示,基于大数据全量采集数据基础上,建立起包括微观和宏观、定量和定性的城市交通拥堵评价指标体系,以交通拥堵的时空分布特征为评价对象,重点描述不同强度的交通拥堵在空间、时间上的影响范围。选取道路交通运行指数、拥堵里程比例、拥堵持续时间、常发性拥堵路段数、道路交通负荷度、路网运行速度等指标,指标的特点在于综合考虑了拥堵强度和时空特征,从拥堵强度、拥堵的持续时间、空间范围等多个维度对城市道路网交通运行状况进行分析。
另外,如图4所示,当前路段拥堵等级增加,如果前进方向路段的拥堵等级不变或者降低,则该路段在当前时刻为原发性拥堵,反之,则为后续性拥堵;当前路段拥堵等级降低,如果前进方向拥堵等级增加或者不变,则该路段当前时刻为原发性消散点,反之,则为后继性消散点;当前路段拥堵等级不变,则认为该路段当前状态不变。其中,Ci(t)表示第i道路点在当前时刻t的拥堵等级;Ci(t-1)表示第i道路点在前一时刻t-1的拥堵等级;Cij(t)表示第i道路点的前进方向在当前时刻t的拥堵等级;Cij(t-1)表示第i道路点的前进方向在前一时刻t-1的拥堵等级。
S140、识别常发性拥堵路段及重点拥堵路段。
根据拥堵评价指标体系,对拥堵状态下的道路进行常发性拥堵路段及重点拥堵路段,以增大分析的准确率,准确发现造成拥堵的主要因素。
道路网中以一定频率出现严重拥堵的路段的数量(条)。分为日常发拥堵路段、周常发拥堵路段、月常发拥堵路段和年常发拥堵路段。常发拥堵路段的空间与方向分布反映交通拥堵发生的聚集性、潮汐性。
常发性拥堵判断准则如下:日拥堵路段指当日超过1小时(含)以上处于严重拥堵的路段;周常发拥堵路段指一周5个工作日内,大于或等于4天为日拥堵路段的路段;月常发拥堵路段指一月4个周内,大于或等于3周为周常发拥堵路段的路段;年常发拥堵路段指一年12个月内,大于或等于6个月为月常发拥堵路段的路段。
重点拥堵路段是指具有周期性的原发性拥堵路段,实现高效地识别出路网运行中的薄弱环节,原发性拥堵是指在一个交通瓶颈处首先形成的拥堵或者由突发交通事件引起的拥堵;有原始拥堵的回流和蔓延而形成的拥堵,则称为后续拥堵。原发性拥堵是引发后续拥堵的原因。原发性拥堵与后继拥堵在空间上是相连的,只是产生的时间先后顺序不同,因此,确定原发性拥堵与后继性拥堵的关键在于对道路产生拥堵时间先后的判断,原发性拥堵和后继性拥堵具有先后次序差异,且拥堵点的类型与其时空邻域内的路段拥堵等级变化有关。
如图5所示,交通拥堵是交通流在路网中特殊运行状态下,在时间和空间上的表现形式,常发性拥堵发生的时间段和空间位置相对较为固定,持续时间及扩散范围也具有较强的规律性,因此,建立常发性拥堵筛选判别指标体系,是准确识别常发性拥堵点段的基础,考虑到常发性拥堵的时空反复性,基于拥堵强度、拥堵时间、拥堵空间和拥堵频次四维特征。拥堵强度使用道路交通运行指数表示,包括单一路段拥堵判别和路网交通拥堵判别,通过处理浮动车和卡口等采集的数据,可以得到各路段的拥堵等级信息。路网交通拥堵判别是对于整体路网拥堵状态的判别,由单一路段拥堵判别集成而来。拥堵时间使用在给定时间段内的处于拥堵状态的路段时间累加值。拥堵频次为在给定时间段内的处于拥堵状态的次数。
具体地,首先判断城市路段及整体路网的拥堵强度,可依据拥堵评价指标体系确定拥堵强度,其次计算拥堵时间,进而基于路段在给定时间段内的发生频次筛选出城市路网常发性拥堵路段的时空分布,最后根据拥堵类型来判断该路段是否为重点拥堵路段。
S150、针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵。
针对常发性拥堵路段及重点拥堵路段,建立交通拥堵状态特征描述矩阵。不同属性的拥堵,采取的控制策略也会不同,首先,拥堵产生的时间和位置的不同,对道路通行能力产生的影响不同,发生在高峰期和在交通要道处的事故和拥堵,必然会迅速产生严重的蔓延,因此,对于不同时间、位置的拥堵,所采取的控制手段也不同,需要根据交通拥堵状态特征描述矩阵才能做出准确的决策,提高分析准确率。当拥堵产生时,首先需要确定拥堵产生的原因判断是常发性拥堵还是偶发性拥堵,以及拥堵的程度,以便采取不同的疏导策略。主要拥堵特征变量有天气、交通负荷度、节假日、工作日、拥堵时间、道路等级、拥堵原因拥堵类型、拥堵等级。
从具体的拥堵特征变量中,准确发现造成拥堵的主要因素,提高了分析效率,减少因分析不准确造成的损失。
在一实施例中,上述步骤S150可包括步骤S151~S154。
S151、确定常发性拥堵路段及重点拥堵路段的拥堵特征变量。
在本实施例中,拥堵特征变量指的是造成拥堵状态的因素。
S152、获取拥堵特征变量的评价值;
S153、根据拥堵特征变量以及评价值形成初始矩阵;
S154、对初始矩阵进行归一化处理,以得到拥堵特征描述矩阵。
对于特定位置在某一时间发生的拥堵现象可以归纳统一描述为:
拥堵[index=1,2,…]{天气、交通负荷度、节假日、工作日、拥堵时间、道路等级、拥堵原因、拥堵类型、拥堵等级、车道}。
这一拥堵特征变量的描述模型可看作一个具有十个维度的对象,每一维度都依据一定标准设定可选项取值,如某天气晴朗的工作日早上8点多,在城区主干道,出现车辆抢道,导致路段拥堵,影响了交通,那么对于这一个状况可以描述为:
拥堵[index=1,2,…]{晴朗、低、否、是、早高峰、主干道、突发性拥堵、原发性拥堵、严重拥堵、直行车道}
拥堵特征变量的属性取值采用的是一种定性的描述,从不同侧面反映短时拥堵的基本状态及特点,为短时的拥堵疏导决策和应急管理控制提供决策依据,具体如表2所示:
变量指标 | 定量化处理 |
拥堵时间 | 早高峰、晚高峰、平峰、低峰 |
拥堵原因 | 常规性拥堵,突发性拥堵 |
交通负荷度 | 高、中、低 |
节假日 | 是、否 |
工作日 | 是、否 |
天气 | 晴朗、下雨 |
拥堵类型 | 原发性拥堵、后继性拥堵 |
道路等级 | 快速路、主干路、次干路及支路 |
车道 | 左转、直行、右转 |
拥堵等级 | 缓行、中度拥堵、严重拥堵 |
拥堵原因 | 常规性拥堵,突发性拥堵 |
拥堵类型 | 原发性拥堵、后继性拥堵 |
表2
其中,常规性拥堵指在某些特定位置和特定时期,由于流量的增大,超过了正常的道路容量,造成交通需求大于交通容量供给,从而引发的交通需求供给关系的不平衡。突发性拥堵指由于突发交通事件、交通事故,或者由于天气状况的改变,引起的道路通行能力下降引发的交通拥堵。这种由于某些随机原因造成的道路供给能力临时下降而造成的拥堵,具有和常规性拥堵不一样的交通流特征,没有规律,并且可能持续的时间较长。
拥堵发生具有明显的时空特征,时间维度上,某个区域内各个路段的拥堵并不是同时发生,而是有先有后,在空间维度上,拥堵具有相互影响、逐渐蔓延的特征。从这种形成的先后次序,可以判断拥堵的类型。在一个交通瓶颈处首先形成的拥堵或者由突发交通事件引起的拥堵称为原始拥堵;有原始拥堵的回流和蔓延而形成的拥堵,则称为后续拥堵。原始拥堵是引发后续拥堵的原因。
假设路段交通拥堵状态拥堵[index=1,2,…,m]随时间变化有m个样本,n为各拥堵特征属性个数,以xij为第i个样本的第j个指标的评价值,则城市交通拥堵特征描述矩阵为
由于各个评价指标的量纲不同,为了便于比较,对公式矩阵进行归一化处理:
S160、采用成因分析模型分析拥堵特征描述矩阵。
基于基本指标数据采用成因分析模型对拥堵特征描述属性数据进行分析,归纳拥堵特征变量与拥堵等级的关系,对拥堵发生的原因进行排序,以信息增益率作为权值,为治理拥堵决策提供依据。
在一实施例中,上述的步骤S160可包括步骤S161~S163。
S161、对拥堵特征描述矩阵按照属性划分成若干个类数据子集;
S162、根据类数据子集计算各个属性的条件熵;
S163、根据条件熵获取各个属性的信息增益、分割信息量和信息增益率,以得到分析结果。
在本实施例中,分析结果是一个拥堵成因规则集,该规则集具体是拥堵特征变量与拥堵等级的关系,也就是决策树。
假设数据集合S(即拥堵特征描述矩阵)按属性C划分为m类不同的类数据子集CI=(1,2,...,m),每个类数据子集Ci=(1,2,...,m)的样本数为ni=(1,2,...,m),pi为类数据子集Ci=(1,2,...,m)的样本数占总样本数n的比例S是n各样本数据的集合,样本数据集合的信息熵用下式表示进而可以得到信息增益Gain(S|A)=E(S)-E(S|A)、分割信息量和信息增益率然后通过比较各个属性的信息增益率,选择信息增益率最大的属性作为分裂节点,重复以上过程,最终能够得出属性分类的决策树。
S170、根据分析结果获取属性分类的决策树;
在一实施例中,上述的步骤S170可包括步骤S171~S172。
S171、比较各个属性的信息增益率,选择信息增益率最大的属性;
S172、设置信息增益率最大的属性为分裂节点,设置权值分裂节点为最大的信息增益率,以得到决策树。
如图6所示,使用拥堵成因分析模型算法对拥堵特征数据进行学习,建立一颗交通拥堵成因信息决策树,树中的非叶子节点代表造成交通拥堵成因的关键属性,叶子节点代表对交通拥堵属性值的判断,归纳总结转换为if和then的规则,每一个分类都有N条规则,表明影响拥堵的关键属性,信息增益率值为其权重,最终获取的规则对于城市交通的管理和治理对策制定具有十分重要的意义,比如规则1:If交通负荷度=大then拥堵(0.942,0.8);规则2:If交通负荷度=小And天气=下雨Then拥堵(0.902,0.8)。从示意图不难看出,该路段交通负荷度比较大,在较小负荷度情况下,下雨天气是造成该路段拥堵的主要原因,否则道路就会畅通。
S180、反馈属性分类的决策树。
具体地,将决策树以BNF范式定义规则语言的语法输出。
输出结果采用BNF(巴科斯范式,Backus-Naur Form)范式定义规则语言的语法,从而定义规则的形式。由于BNF范式有严格的表达能力证明,且而有完备的理论基础。规则库是知识库的主要组成部分,推理表达式用模糊产生式规则表示,最终输出结果的表示形式为:IFw1*P1Λw2*P2Λ...Λwn*PnTHENq∈(CF,τ);
其中,Pi(i=1,2,...,n),q都是模糊谓词,wi(i=1,2,...,n)是加权因子,CF为规则的可信度,τ是判断该规则是否可以应用的阈值。
对路网整体拥堵及变化趋势情况进行定量描述和判断分析;根据拥堵评价指标体系,进行路段、道路和路网等进行综合评价,根据评价和监测结果,采用有效的拥堵干预措施如信息诱导、人工疏导等,针对重点路段、常发性拥堵路段,进行重点动态监测,采用拥堵成因分析模型对拥堵成因进行科学分析和研究,找出蕴含于数据中的价值模式,然后根据其成因及特点采取不同的治理对策。
举一个例子,如图7所示,通过第三方系统和各种有效的检测手段、现代通信技术及计算机信息处理技术,获取天气情况数据、城市道路交通状态的实时数据和路网信息,数据预处理后入库智慧城市大数据平台。从获得的实时数据中,基于拥堵指标评价体系提取决策所需的描述城市交通拥堵状态的相关特征信息,基于拥堵指标评价信息,识别出常发性拥堵路段及重点路段,构建拥堵特征描述属性矩阵,对于特定位置特定时间发生的拥堵现象采用统一模型归纳描述。基于拥堵成因分析模型,对拥堵特征描述属性数据进行分析,归纳拥堵特征变量与拥堵等级的关系,形成拥堵成因规则集,为治理拥堵决策提供数据支撑。基于拥堵成因规则集,根据其成因及特点并采取不同的治理对策。将有关的管理控制决策转化为各级具体的管理控制策略,并且及时实施于当前交通系统,并及时获得反馈信息。
拥堵规律的科学把握需要长期的跟踪和监测,在拥堵动态定量评价监测数据集成融合分析的基础上,建立按时间维度实时、日、周、月、年、工作日/非工作日、高峰时段/非高峰时段,节假日等,空间维度路段、道路、区域、路网、道路等级等,进行路网运行趋势分析,作为交通拥堵成因分析、交通决策可行性评估和各类决策方案实施效果评估的基础,以保证治堵决策的有效性。
通过科学评价拥堵,把握路网整体拥堵水平、拥堵强度、产生和消散过程、拥堵路段时空分布特征以及路网运行波动性变化趋势,基于成因分析模型发现交通大数据中隐藏的规则和知识,帮助交通管理者找到与拥堵演变过程和趋势直接或者间接相关联的关键因素,进一步确定这些因素的作用机理和叠加效应,以保证治理拥堵决策的有效性,大幅提高了交通拥堵问题决策的效率、准确率和专业性。
上述的拥堵成因分析方法,通过根据交通流数据,评价路网的拥堵状态,建立定量且定性的拥堵评价指标体系,以交通拥堵的时空分布特征形成的拥堵特征描述矩阵为评价对象,采用成因分析模型对拥堵特征描述矩阵内的拥堵成因进行分析和研究,找出蕴含于数据中的价值模式,根据成因及特点采取不同的治理对策,以形成决策树,实现准确发现造成拥堵的主要因素,提高了分析效率,减少因分析不准确造成的损失。
图8是本发明实施例提供的一种拥堵成因分析装置300的示意性框图。如图5所示,对应于以上拥堵成因分析方法,本发明还提供一种拥堵成因分析装置300。该拥堵成因分析装置300包括用于执行上述拥堵成因分析方法的单元,该装置可以被配置于服务器中。
具体地,请参阅图8,该拥堵成因分析装置300包括:
数据获取单元301,用于获取道路的交通流数据;
预处理单元302,用于对交通流数据进行预处理;
体系获取单元303,用于根据预处理的交通流数据构建拥堵评价指标体系;
识别单元304,用于识别常发性拥堵路段及重点拥堵路段;
矩阵构建单元305,用于针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;
分析单元306,用于采用成因分析模型分析拥堵特征描述矩阵;
决策树获取单元307,用于根据分析结果获取属性分类的决策树;
反馈单元308,用于反馈属性分类的决策树。
在一实施例中,上述的体系获取单元303包括:
速度获取子单元,用于获取预处理后的交通流数据中的车辆速度;
类别划分子单元,用于根据车辆速度划分交通拥堵类别;
体系建立子单元,用于利用多个交通拥堵类别构建拥堵评价指标体系。
在一实施例中,所述矩阵构建单元305包括:
变量确定子单元,用于确定常发性拥堵路段及重点拥堵路段的拥堵特征变量;
评价值获取子单元,用于获取拥堵特征变量的评价值;
初始矩阵形成子单元,用于根据拥堵特征变量以及评价值形成初始矩阵;
归一化子单元,用于对初始矩阵进行归一化处理,以得到拥堵特征描述矩阵。
在一实施例中,上述的分析单元306包括:
子集划分子单元,用于对拥堵特征描述矩阵按照属性划分成若干个类数据子集;
条件熵计算子单元,用于根据类数据子集计算各个属性的条件熵;
分析结果计算子单元,用于根据条件熵获取各个属性的信息增益、分割信息量和信息增益率,以得到分析结果。
在一实施例中,上述的决策树获取单元307包括:
比较子单元,用于比较各个属性的信息增益率,选择信息增益率最大的属性;
设置子单元,用于设置信息增益率最大的属性为分裂节点,设置权值分裂节点为最大的信息增益率,以得到决策树。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述拥堵成因分析装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述拥堵成因分析装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种拥堵成因分析方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种拥堵成因分析方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取道路的交通流数据;
对交通流数据进行预处理;
根据预处理的交通流数据构建拥堵评价指标体系;
识别常发性拥堵路段及重点拥堵路段;
针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;
采用成因分析模型分析拥堵特征描述矩阵;
根据分析结果获取属性分类的决策树;
反馈属性分类的决策树。
其中,交通流数据包括静态数据和动态数据,所述静态数据包括交通道路网络数据、车道属性、车道行驶方向以及车道限速信息中至少一个,所述动态数据包括车辆类型、车牌号、过车速度、过车时间以及过车地点中至少一个。
在一实施例中,处理器502在实现所述根据预处理的交通流数据构建拥堵评价指标体系步骤时,具体实现如下步骤:
获取预处理后的交通流数据中的车辆速度;
根据车辆速度划分交通拥堵类别;
利用多个交通拥堵类别构建拥堵评价指标体系。
在一实施例中,处理器502在实现所述针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵步骤时,具体实现如下步骤:
确定常发性拥堵路段及重点拥堵路段的拥堵特征变量;
获取拥堵特征变量的评价值;
根据拥堵特征变量以及评价值形成初始矩阵;
对初始矩阵进行归一化处理,以得到拥堵特征描述矩阵。
在一实施例中,处理器502在实现所述采用成因分析模型分析拥堵特征描述矩阵步骤时,具体实现如下步骤:
对拥堵特征描述矩阵按照属性划分成若干个类数据子集;
根据类数据子集计算各个属性的条件熵;
根据条件熵获取各个属性的信息增益、分割信息量和信息增益率,以得到分析结果。
在一实施例中,处理器502在实现所述根据分析结果获取属性分类的决策树步骤时,具体实现如下步骤:
比较各个属性的信息增益率,选择信息增益率最大的属性;
设置信息增益率最大的属性为分裂节点,设置权值分裂节点为最大的信息增益率,以得到决策树。
在一实施例中,处理器502在实现所述反馈属性分类的决策树步骤时,具体实现如下步骤:
将决策树以BNF范式定义规则语言的语法输出。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取道路的交通流数据;
对交通流数据进行预处理;
根据预处理的交通流数据构建拥堵评价指标体系;
识别常发性拥堵路段及重点拥堵路段;
针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;
采用成因分析模型分析拥堵特征描述矩阵;
根据分析结果获取属性分类的决策树;
反馈属性分类的决策树。
其中,交通流数据包括静态数据和动态数据,所述静态数据包括交通道路网络数据、车道属性、车道行驶方向以及车道限速信息中至少一个,所述动态数据包括车辆类型、车牌号、过车速度、过车时间以及过车地点中至少一个。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据预处理的交通流数据构建拥堵评价指标体系步骤时,具体实现如下步骤:
获取预处理后的交通流数据中的车辆速度;
根据车辆速度划分交通拥堵类别;
利用多个交通拥堵类别构建拥堵评价指标体系。
在一实施例中,所述处理器在执行所述计算机程序而实现所述针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵步骤时,具体实现如下步骤:
确定常发性拥堵路段及重点拥堵路段的拥堵特征变量;
获取拥堵特征变量的评价值;
根据拥堵特征变量以及评价值形成初始矩阵;
对初始矩阵进行归一化处理,以得到拥堵特征描述矩阵。
在一实施例中,所述处理器在执行所述计算机程序而实现所述采用成因分析模型分析拥堵特征描述矩阵步骤时,具体实现如下步骤:
对拥堵特征描述矩阵按照属性划分成若干个类数据子集;
根据类数据子集计算各个属性的条件熵;
根据条件熵获取各个属性的信息增益、分割信息量和信息增益率,以得到分析结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据分析结果获取属性分类的决策树步骤时,具体实现如下步骤:
比较各个属性的信息增益率,选择信息增益率最大的属性;
设置信息增益率最大的属性为分裂节点,设置权值分裂节点为最大的信息增益率,以得到决策树。
在一实施例中,所述处理器在执行所述计算机程序而实现所述反馈属性分类的决策树步骤时,具体实现如下步骤:
将决策树以BNF范式定义规则语言的语法输出。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.拥堵成因分析方法,其特征在于,包括:
获取道路的交通流数据;
对交通流数据进行预处理;
根据预处理的交通流数据构建拥堵评价指标体系;
识别常发性拥堵路段及重点拥堵路段;
针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;
采用成因分析模型分析拥堵特征描述矩阵;
根据分析结果获取属性分类的决策树;
反馈属性分类的决策树。
2.根据权利要求1所述的拥堵成因分析方法,其特征在于,所述交通流数据包括静态数据和动态数据,所述静态数据包括交通道路网络数据、车道属性、车道行驶方向以及车道限速信息中至少一个,所述动态数据包括车辆类型、车牌号、过车速度、过车时间以及过车地点中至少一个。
3.根据权利要求1所述的拥堵成因分析方法,其特征在于,所述根据预处理的交通流数据构建拥堵评价指标体系,包括:
获取预处理后的交通流数据中的车辆速度;
根据车辆速度划分交通拥堵类别;
利用多个交通拥堵类别构建拥堵评价指标体系。
4.根据权利要求1所述的拥堵成因分析方法,其特征在于,所述针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵,包括:
确定常发性拥堵路段及重点拥堵路段的拥堵特征变量;
获取拥堵特征变量的评价值;
根据拥堵特征变量以及评价值形成初始矩阵;
对初始矩阵进行归一化处理,以得到拥堵特征描述矩阵。
5.根据权利要求4所述的拥堵成因分析方法,其特征在于,所述采用成因分析模型分析拥堵特征描述矩阵,包括:
对拥堵特征描述矩阵按照属性划分成若干个类数据子集;
根据类数据子集计算各个属性的条件熵;
根据条件熵获取各个属性的信息增益、分割信息量和信息增益率,以得到分析结果。
6.根据权利要求5所述的拥堵成因分析方法,其特征在于,所述根据分析结果获取属性分类的决策树,包括:
比较各个属性的信息增益率,选择信息增益率最大的属性;
设置信息增益率最大的属性为分裂节点,设置权值分裂节点为最大的信息增益率,以得到决策树。
7.根据权利要求6所述的拥堵成因分析方法,其特征在于,所述反馈属性分类的决策树,包括:
将决策树以BNF范式定义规则语言的语法输出。
8.拥堵成因分析装置,其特征在于,包括:
数据获取单元,用于获取道路的交通流数据;
预处理单元,用于对交通流数据进行预处理;
体系获取单元,用于根据预处理的交通流数据构建拥堵评价指标体系;
识别单元,用于识别常发性拥堵路段及重点拥堵路段;
矩阵构建单元,用于针对常发性拥堵路段及重点拥堵路段,构建拥堵特征描述矩阵;
分析单元,用于采用成因分析模型分析拥堵特征描述矩阵;
决策树获取单元,用于根据分析结果获取属性分类的决策树;
反馈单元,用于反馈属性分类的决策树。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810994514.1A CN109035778B (zh) | 2018-08-29 | 2018-08-29 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810994514.1A CN109035778B (zh) | 2018-08-29 | 2018-08-29 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035778A true CN109035778A (zh) | 2018-12-18 |
CN109035778B CN109035778B (zh) | 2021-11-30 |
Family
ID=64626192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810994514.1A Active CN109035778B (zh) | 2018-08-29 | 2018-08-29 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035778B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754606A (zh) * | 2019-02-28 | 2019-05-14 | 山东浪潮云信息技术有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
CN110609853A (zh) * | 2019-09-18 | 2019-12-24 | 青岛海信网络科技股份有限公司 | 一种干线常发拥堵传播规律挖掘方法及装置 |
CN110619745A (zh) * | 2019-08-28 | 2019-12-27 | 安徽科力信息产业有限责任公司 | 预防交通拥堵的数据处理方法及装置 |
CN111028507A (zh) * | 2019-12-16 | 2020-04-17 | 北京百度网讯科技有限公司 | 交通拥堵致因确定方法及装置 |
CN111489545A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 道路监控方法、装置以及设备、存储介质 |
CN111613049A (zh) * | 2019-02-26 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
CN111613053A (zh) * | 2020-04-21 | 2020-09-01 | 北京掌行通信息技术有限公司 | 一种交通扰动的检测分析方法、装置、存储介质及终端 |
CN111785031A (zh) * | 2020-09-07 | 2020-10-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于速度时空图的交通拥堵成因智能识别算法 |
CN111815941A (zh) * | 2019-04-10 | 2020-10-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN111862594A (zh) * | 2020-06-04 | 2020-10-30 | 中国兵器科学研究院 | 识别道路交通网络中薄弱单元的方法、装置及存储介质 |
CN112085949A (zh) * | 2020-08-13 | 2020-12-15 | 浙江工业大学 | 一种基于交通运行状况异常的路网脆弱性识别、分析与应对方法 |
CN112185108A (zh) * | 2020-08-27 | 2021-01-05 | 银江股份有限公司 | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 |
CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
CN112598199A (zh) * | 2021-01-29 | 2021-04-02 | 杭州易龙安全科技有限公司 | 一种基于决策树算法的监测预警方法 |
CN113256978A (zh) * | 2021-05-17 | 2021-08-13 | 东南大学 | 一种城市拥堵地区的诊断方法、系统及储存介质 |
CN113487869A (zh) * | 2021-07-12 | 2021-10-08 | 腾讯科技(深圳)有限公司 | 拥堵瓶颈点确定方法、装置、计算机设备和存储介质 |
CN113538915A (zh) * | 2021-07-21 | 2021-10-22 | 阿波罗智联(北京)科技有限公司 | 交通拥堵事件的处理方法、设备、存储介质及程序产品 |
CN113808395A (zh) * | 2021-08-31 | 2021-12-17 | 东南大学 | 一种大型活动交叉路口拥堵风险预测方法 |
CN114049769A (zh) * | 2021-11-16 | 2022-02-15 | 上海华建工程建设咨询有限公司 | 一种预测道路拥挤状况的方法、装置和电子设备 |
CN114495488A (zh) * | 2021-12-30 | 2022-05-13 | 北京掌行通信息技术有限公司 | 常发拥堵时空范围提取方法和系统 |
CN116842018A (zh) * | 2023-07-06 | 2023-10-03 | 江西桔贝科技有限公司 | 一种大数据的筛选方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
CN104933860A (zh) * | 2015-05-20 | 2015-09-23 | 重庆大学 | 基于gps数据的公交车堵车延误时间预测方法 |
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 |
CN206292966U (zh) * | 2016-11-17 | 2017-06-30 | 深圳市赛为智能股份有限公司 | 地感采集系统 |
CN106997669A (zh) * | 2017-05-31 | 2017-08-01 | 青岛大学 | 一种基于特征重要性的判断交通拥堵成因的方法 |
US20170352262A1 (en) * | 2016-06-03 | 2017-12-07 | Here Global B.V. | Method and apparatus for classifying a traffic jam from probe data |
CN108364467A (zh) * | 2018-02-12 | 2018-08-03 | 北京工业大学 | 一种基于改进型决策树算法的路况信息预测方法 |
-
2018
- 2018-08-29 CN CN201810994514.1A patent/CN109035778B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
CN104933860A (zh) * | 2015-05-20 | 2015-09-23 | 重庆大学 | 基于gps数据的公交车堵车延误时间预测方法 |
US20170352262A1 (en) * | 2016-06-03 | 2017-12-07 | Here Global B.V. | Method and apparatus for classifying a traffic jam from probe data |
CN206292966U (zh) * | 2016-11-17 | 2017-06-30 | 深圳市赛为智能股份有限公司 | 地感采集系统 |
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 |
CN106997669A (zh) * | 2017-05-31 | 2017-08-01 | 青岛大学 | 一种基于特征重要性的判断交通拥堵成因的方法 |
CN108364467A (zh) * | 2018-02-12 | 2018-08-03 | 北京工业大学 | 一种基于改进型决策树算法的路况信息预测方法 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489545B (zh) * | 2019-01-28 | 2023-03-31 | 阿里巴巴集团控股有限公司 | 道路监控方法、装置以及设备、存储介质 |
CN111489545A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 道路监控方法、装置以及设备、存储介质 |
CN111613049A (zh) * | 2019-02-26 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
CN109754606B (zh) * | 2019-02-28 | 2021-08-31 | 浪潮卓数大数据产业发展有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
CN109754606A (zh) * | 2019-02-28 | 2019-05-14 | 山东浪潮云信息技术有限公司 | 一种基于出租车定位预测道路拥堵情况的方法 |
CN111815941A (zh) * | 2019-04-10 | 2020-10-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN111815941B (zh) * | 2019-04-10 | 2021-07-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN110619745A (zh) * | 2019-08-28 | 2019-12-27 | 安徽科力信息产业有限责任公司 | 预防交通拥堵的数据处理方法及装置 |
CN110609853A (zh) * | 2019-09-18 | 2019-12-24 | 青岛海信网络科技股份有限公司 | 一种干线常发拥堵传播规律挖掘方法及装置 |
CN111028507A (zh) * | 2019-12-16 | 2020-04-17 | 北京百度网讯科技有限公司 | 交通拥堵致因确定方法及装置 |
CN111613053A (zh) * | 2020-04-21 | 2020-09-01 | 北京掌行通信息技术有限公司 | 一种交通扰动的检测分析方法、装置、存储介质及终端 |
CN111862594A (zh) * | 2020-06-04 | 2020-10-30 | 中国兵器科学研究院 | 识别道路交通网络中薄弱单元的方法、装置及存储介质 |
CN111862594B (zh) * | 2020-06-04 | 2021-09-03 | 中国兵器科学研究院 | 识别道路交通网络中薄弱单元的方法、装置及存储介质 |
CN112085949A (zh) * | 2020-08-13 | 2020-12-15 | 浙江工业大学 | 一种基于交通运行状况异常的路网脆弱性识别、分析与应对方法 |
CN112185108A (zh) * | 2020-08-27 | 2021-01-05 | 银江股份有限公司 | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 |
CN112185108B (zh) * | 2020-08-27 | 2021-11-16 | 银江技术股份有限公司 | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 |
CN111785031A (zh) * | 2020-09-07 | 2020-10-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于速度时空图的交通拥堵成因智能识别算法 |
CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
CN112598199A (zh) * | 2021-01-29 | 2021-04-02 | 杭州易龙安全科技有限公司 | 一种基于决策树算法的监测预警方法 |
CN113256978A (zh) * | 2021-05-17 | 2021-08-13 | 东南大学 | 一种城市拥堵地区的诊断方法、系统及储存介质 |
CN113487869A (zh) * | 2021-07-12 | 2021-10-08 | 腾讯科技(深圳)有限公司 | 拥堵瓶颈点确定方法、装置、计算机设备和存储介质 |
CN113538915A (zh) * | 2021-07-21 | 2021-10-22 | 阿波罗智联(北京)科技有限公司 | 交通拥堵事件的处理方法、设备、存储介质及程序产品 |
CN113538915B (zh) * | 2021-07-21 | 2023-02-28 | 阿波罗智联(北京)科技有限公司 | 交通拥堵事件的处理方法、设备、存储介质及程序产品 |
CN113808395A (zh) * | 2021-08-31 | 2021-12-17 | 东南大学 | 一种大型活动交叉路口拥堵风险预测方法 |
CN114049769B (zh) * | 2021-11-16 | 2023-07-04 | 上海华建工程建设咨询有限公司 | 一种预测道路拥挤状况的方法、装置和电子设备 |
CN114049769A (zh) * | 2021-11-16 | 2022-02-15 | 上海华建工程建设咨询有限公司 | 一种预测道路拥挤状况的方法、装置和电子设备 |
CN114495488A (zh) * | 2021-12-30 | 2022-05-13 | 北京掌行通信息技术有限公司 | 常发拥堵时空范围提取方法和系统 |
CN114495488B (zh) * | 2021-12-30 | 2023-05-02 | 北京掌行通信息技术有限公司 | 常发拥堵时空范围提取方法和系统 |
CN116842018A (zh) * | 2023-07-06 | 2023-10-03 | 江西桔贝科技有限公司 | 一种大数据的筛选方法和系统 |
CN116842018B (zh) * | 2023-07-06 | 2024-02-23 | 上海比滋特信息技术有限公司 | 一种大数据的筛选方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109035778B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035778A (zh) | 拥堵成因分析方法、装置、计算机设备及存储介质 | |
CN103077604B (zh) | 交通传感器管理方法和系统 | |
CN102567391B (zh) | 一种分类预测混合模型的建立方法及装置 | |
Wang et al. | Estimating traffic flow in large road networks based on multi-source traffic data | |
US11501636B2 (en) | Road segment speed prediction method, apparatus, server, medium, and program product | |
CN110322694A (zh) | 一种城市交通控制片区划分的方法及装置 | |
Song et al. | A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN105205052B (zh) | 一种数据挖掘方法及装置 | |
CN108989092A (zh) | 一种无线网络预测方法、电子设备及存储介质 | |
CN107368915A (zh) | 一种地铁乘客出行时间选择行为分析方法 | |
Schroer et al. | Data-driven competitor-aware positioning in on-demand vehicle rental networks | |
Zheng et al. | Time-of-day pricing for toll roads under traffic demand uncertainties: A distributionally robust simulation-based optimization method | |
Jensen et al. | Location intelligence application in digital data activity dimensioning in smart cities | |
Ghandeharioun et al. | Link travel time estimation for arterial networks based on sparse GPS data and considering progressive correlations | |
Bhuyan et al. | Analysing the causal effect of London cycle superhighways on traffic congestion | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
Lu et al. | A parking occupancy prediction approach based on spatial and temporal analysis | |
CN115049158B (zh) | 城市系统运行状态的预测方法、系统、存储介质及终端 | |
Guo et al. | Seeking based on dynamic prices: Higher earnings and better strategies in ride-on-demand services | |
Lucena-Sánchez et al. | Simple versus composed temporal lag regression with feature selection, with an application to air quality modeling | |
Moreira-Matias et al. | An online learning framework for predicting the taxi stand's profitability | |
Guido et al. | A low dimensional model for bike sharing demand forecasting | |
Nair et al. | Mining frequent patterns with generalized linear model for traffic density analysis | |
Ranjan et al. | Large-Scale Road Network Congestion Pattern Analysis and Prediction Using Deep Convolutional Autoencoder. Sustainability 2021, 13, 5108 |
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 |