CN109087508A - 基于高清卡口数据的毗邻区域交通量分析方法及系统 - Google Patents
基于高清卡口数据的毗邻区域交通量分析方法及系统 Download PDFInfo
- Publication number
- CN109087508A CN109087508A CN201811003992.8A CN201811003992A CN109087508A CN 109087508 A CN109087508 A CN 109087508A CN 201811003992 A CN201811003992 A CN 201811003992A CN 109087508 A CN109087508 A CN 109087508A
- Authority
- CN
- China
- Prior art keywords
- region
- sequence
- bayonet
- zone
- traffic
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于高清卡口数据的毗邻区域交通量分析方法及系统,该方法包括:获取道路路网中所有卡口在预设时间段内采集的卡口数据,形成数据集;提取获得所有车辆按时间顺序经过的卡口序列;映射获得每辆车的卡口序列中的卡口编号对应的交通区域编号后,获得每辆车辆的原始区域序列;对每辆车辆的原始区域序列进行清洗,获得对应的预处理区域序列;对每辆车辆的预处理区域序列进行校正,获得对应的校正区域序列;统计道路路网中所有毗邻区域的交通量。本发明可以统计获得道路路网中所有毗邻区域的交通量,从而反应毗邻的交通区域之间的连接道路的毗邻区域机动车交互量,可以直观地反应毗邻区域的交通状况,可广泛应用于智能交通行业中。
Description
技术领域
本发明涉及道路交通状况智能监测领域,特别是涉及基于高清卡口数据的毗邻区域交通量分析方法及系统。
背景技术
城市的道路路网中,某个区域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,主要反映区域所在的宏观路网的需求、容量和承载能力。对使用者——乘客和驾驶员来说,无法直观、形象地获知该区域的交通状况。总的来说,目前对道路路网中各区域交通状况的评估方法过于抽象,无法科学评价道路路网中各区域的交通状况。
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高清卡口数据的毗邻区域交通量分析方法及系统。
本发明一方面提供了一种基于高清卡口数据的毗邻区域交通量分析方法,包括以下步骤:
S1、获取道路路网中所有卡口在预设时间段内采集的卡口数据,形成数据集;
S2、根据获取的数据集,提取获得所有车辆按时间顺序经过的卡口序列;
S3、获取预设的卡口-区域匹配表,映射获得每辆车的卡口序列中的卡口编号对应的交通区域编号后,获得每辆车辆的原始区域序列;
S4、对每辆车辆的原始区域序列进行清洗,获得对应的预处理区域序列;
S5、对每辆车辆的预处理区域序列进行校正,获得对应的校正区域序列;
S6、基于所有车辆的校正区域序列,统计道路路网中所有毗邻区域的交通量。
进一步,所述步骤S6之后,还包括步骤:
S7、基于统计获得的所有毗邻区域的交通量,在地图上绘制毗邻区域交通量蛛网图。
进一步,所述步骤S4,具体包括:
S41、对每辆车辆的原始区域序列进行依序查找,获得相邻的每对区域编号对;
S42、针对所有区域编号对,当其两个区域编号相同时,只保留一个,最后获得每辆车辆的预处理区域序列。
进一步,所述步骤S5,具体包括:
S51、针对每辆车辆的预处理区域序列进行依序查找,获得相邻的每对区域对;其中,每对区域对的两个区域之间,在先的区域指向在后的区域;
S52、当所获得的任一相邻的区域对之间,不存在地理位置相邻关系或者不存在交通道路连接时,判断该区域对不毗邻;
S53、补齐每辆车的预处理区域序列中任意不毗邻的区域对之间所缺失的区域;
S54、将每辆车辆的补齐后的区域序列作为对应的校正区域序列。
进一步,所述步骤S53,具体包括:
S531、建立区域连接矩阵;其中,区域连接矩阵为N阶方阵,N为总的区域数量;矩阵中的元素表示区域之间的连接关系,矩阵的第i行第j列的元素大于0代表区域i和j为地理相邻的区域,且从区域i到区域j之间有道路连接,i、j均表示序号;;
S532、针对不毗邻的区域对,基于所建立的区域连接矩阵,查找获得该区域对中,从在先区域到在后区域之间的最短路径,并将最短路径上的区域补充到该区域对之间。
进一步,所述步骤S532中,所述最短路径采用Dijkstra最短路径算法查找获得。
进一步,所述步骤S6,其具体为:
基于所有车辆的校正区域序列,统计道路路网中,任意两个毗邻区域在所有车辆的校正区域序列中作为相邻区域对出现的总次数后,将该总次数作为该两个毗邻区域的交通量,最后获得道路路网中所有毗邻区域的交通量。
进一步,所述步骤S7,其具体为:
针对任意两个毗邻区域,在地图中,定位该两个毗邻区域的区域中心后,以两区域中心作为起点和终点,用线条连接,且线条的宽度与该两个毗邻区域之间的交通量成正比,最后获得道路路网的毗邻区域交通量蛛网图。
进一步,所述卡口数据至少包括:卡口编号、车流方向、车辆经过时间、车牌号码以及车辆类型;
所述步骤S2,具体包括:
S21、将数据集中的所有卡口数据,按照车牌号码进行分组,获得每辆车辆的分组数据;
S22、提取每组分组数据中的所有卡口数据的卡口编号,并将提取的卡口编号按照时间顺序排列,得到该分组数据对应车辆的卡口序列。
本发明另一方面提供了一种基于高清卡口数据的毗邻区域交通量分析系统,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本发明所述的基于高清卡口数据的毗邻区域交通量分析方法。
本发明的有益效果是:本发明通过获取道路路网中所有卡口在预设时间段内采集的卡口数据,形成数据集后,提取获得所有车辆按时间顺序经过的卡口序列,并映射获得由交通区域编号表示的每辆车辆的原始区域序列,进而进行清洗和校正后,统计路路网中所有毗邻区域的交通量,从而可以统计获得道路路网中所有毗邻区域的交通量,从而反应毗邻的交通区域之间的连接道路的毗邻区域机动车交互量,可以直观地反应毗邻区域的交通状况。
附图说明
图1是本发明的基于高清卡口数据的毗邻区域交通量分析方法的流程图图;
图2是本发明方法实施例中对预处理区域序列进行校正的示意图;
图3是本发明方法实施例中绘制的毗邻区域交通量蛛网图;
图4是本发明的基于高清卡口数据的毗邻区域交通量分析系统的结构框图。
具体实施方式
方法实施例
参照图1,本实施例提供了一种基于高清卡口数据的毗邻区域交通量分析方法,包括以下步骤:
S1、获取道路路网中所有卡口在预设时间段内采集的卡口数据,形成数据集;
本申请中所称卡口是指道路高清卡口,本申请将其简称为卡口;这里的预设时间段是提前设定的一个时间段,可以是一天,也可以是一周,根据分析需求进行设定。
S2、根据获取的数据集,提取获得所有车辆按时间顺序经过的卡口序列;例如,数据集中,一车辆对应的卡口数据中按照时间顺序经过的所有卡口的卡口编号依序排列为B-H-J-K-A,则B-H-J-K-A为该车辆的卡口序列。
S3、获取预设的卡口-区域匹配表,映射获得每辆车的卡口序列中的卡口编号对应的交通区域编号后,获得每辆车辆的原始区域序列;
其中,交通区域是指将道路路网按照地理划分成N个区域,且每个交通区域具有唯一的编号,例如1、2、3、4……。本发明中将交通区域即为zk(k=1,2,...,N),k表示序号。所述卡口-区域匹配表中记载有卡口与交通区域之间的对应关系,因此根据卡口序列中的卡口编号可以映射获得对应的交通区域编号,例如一辆车的卡口序列是B-H-J-K-A,这条卡口序列中每个卡口对应的交通区域的编号分别是1、1、4、8、5,那么卡口序列转换成交通区域编号后,形成的原始区域序列是11485。
S4、对每辆车辆的原始区域序列进行清洗,获得对应的预处理区域序列;
S5、对每辆车辆的预处理区域序列进行校正,获得对应的校正区域序列;
S6、基于所有车辆的校正区域序列,统计道路路网中所有毗邻区域的交通量。
本发明可以统计获得道路路网中所有毗邻区域的交通量,从而反应毗邻的交通区域之间的连接道路的毗邻区域机动车交互量,可以直观地反应毗邻区域的交通状况。
更具体的,本发明统计的道路路网毗邻区域的交通量,可以分析驾驶员的出行习惯,作为交通组织调整、交通诱导的依据,而且可以分析机动车交通在区域间的分布特征,观测和计算区域间连接道路的交通分担率,判断道路的供给能力是否充足,服务于交通规划、道路改扩建,最后还可以结合用地特征,研究各个地理区域的交通活跃度分布情况,服务于交通规划、交通管理。
进一步作为优选的实施方式,所述步骤S6之后,还包括步骤:
S7、基于统计获得的所有毗邻区域的交通量,在地图上绘制毗邻区域交通量蛛网图。
通过本步骤绘制道路路网的毗邻区域交通量蛛网图,可以直观地获知该两个毗邻区域之间的交通量状况,反应机动车交通需求程度。
进一步作为优选的实施方式,所述步骤S4,具体包括:
S41、对每辆车辆的原始区域序列进行依序查找,获得相邻的每对区域编号对;
S42、针对所有区域编号对,当其两个区域编号相同时,只保留一个,最后获得每辆车辆的预处理区域序列。
例如,一车辆的原始区域序列为11485,则获得相邻的区域编号对分别为11、14、48、85,其中第1、2个编号相邻且相同,则保留一个,因此获得该车辆的预处理区域序列为1485。
本步骤对数据进行清洗后,可以避免冗余数据带来的重复计算问题。
进一步作为优选的实施方式,所述步骤S5,具体包括:
S51、针对每辆车辆的预处理区域序列进行依序查找,获得相邻的每对区域对;其中,每对区域对的两个区域之间,在先的区域指向在后的区域;即在先的区域为起点,在后的区域为终点;例如前述获得的车辆的预处理区域序列为1485,则区域对14的两个区域1和4之间,1为在先的区域,为起点,4为在后的区域,为终点;
S52、当所获得的任一相邻的区域对之间,不存在地理位置相邻关系或者不存在交通道路连接时,判断该区域对不毗邻;
S53、补齐每辆车的预处理区域序列中任意不毗邻的区域对之间所缺失的区域;
S54、将每辆车辆的补齐后的区域序列作为对应的校正区域序列。
本发明中,为了检查一辆车辆在某个区域内是否被漏拍,对一辆车辆的预处理区域序列中、任意一对相邻的区域对进行条件判断。判断条件如下:条件一,这对区域对在地理位置上是相邻的;条件二,这对区域对之间有交通道路连接。如果一辆车辆的预处理区域序列中的任意一对相邻区域和(m=1,2,...Ln-1,Ln为预处理区域序列μn包含的区域数目,m表示预处理区域序列中的元素个数,n表示车辆序号,表示车辆序号为n的预处理区域序列中的第m个元素,zi和zj表示具体区域)不满足条件一或者条件二,则代表该辆车在先后经过区域zi和zj之间还曾经过其他的区域。
以图2为例。一辆车的预处理区域序列μn是1485。经检查发现,序列中第1个和第2个区域1和4之间虽然是地理相邻但是却没有交通道路连接,代表车辆从区域1到区域4之间还经过了其他区域。经检查还发现,序列中第3个和第4个区域8和5在地理上不是相邻的,代表车辆从区域8到区域5之间还经过了其他区域。需要补齐区域1和4之间、以及区域8和5之间缺失的区域。
通过对预处理区域序列进行校正后,可以获得每辆车辆实际经过的交通区域序列,从而准确地反应实际的交通状况。
进一步作为优选的实施方式,所述步骤S53,具体包括:
S531、建立区域连接矩阵Π;其中,区域连接矩阵Π为N阶方阵,N为总的区域数量;矩阵中的元素表示区域之间的连接关系,矩阵的第i行第j列的元素大于0代表区域i和j为地理相邻的区域,且从区域i到区域j之间有道路连接,i、j均表示序号;,矩阵中的元素πij表示区域i和区域j的连接关系,πij=0代表区域i和区域j不是毗邻的,πij>0代表区域i和区域j是地理相邻的且从区域i到区域j有道路连接,πij的值代表从区域i到区域j的交通阻抗。
S532、针对不毗邻的区域对和基于所建立的区域连接矩阵,采用Dijkstra最短路径算法,查找获得从先区域zi到在后区域zj之间的最短路径,并将最短路径上的区域补充到区域对和之间。
图2的示例中,一辆车的预处理区域序列μn是1485,区域对14不满足条件一,采用Dijkstra最短路径算法在区域1和4之间补充区域2。区域对85不满足条件二,采用Dijkstra最短路径算法在区域8和5之间补充区域6和7。校正之前的区域序列是1485,校正之后的区域序列是1248675。
本步骤可以准确、快速地对不毗邻的区域对进行补齐处理,从而获得准确反应交通状况的区域序列。
进一步作为优选的实施方式,所述步骤S6,其具体为:
基于所有车辆的校正区域序列,统计道路路网中,任意两个毗邻区域在所有车辆的校正区域序列中作为相邻区域对出现的总次数后,将该总次数作为该两个毗邻区域的交通量,最后获得道路路网中所有毗邻区域的交通量。本步骤可以科学地统计相邻区域对之间的交通量,而且方便、迅速。
具体的,交通量的数学表达式为:
其中,Vi,j表示从区域i到区域j的毗邻区域交通量;xh,k为二元变量,定义为以下:
h代表车辆序号,k代表序号为h的车辆的校正区域序列中的第k个元素。
进一步作为优选的实施方式,所述步骤S7,其具体为:
针对任意两个毗邻区域,如图3所示,在地图中,定位该两个毗邻区域的区域中心后,以两区域中心作为起点和终点,用线条连接,且线条的宽度与该两个毗邻区域之间的交通量成正比,最后获得道路路网的毗邻区域交通量蛛网图。
因此,两个毗邻区域之间的线条越宽,表示这两个毗邻的交通区域之间的交通通道的机动车交通交互量越大。本发明中,也将毗邻区域之间的连线称为蛛网线。
通过本步骤绘制道路路网的毗邻区域交通量蛛网图,使得绘制的蛛网图中邻区域的连线宽度与该两个毗邻区域之间的交通量成正比,从而可以直观地获知该两个毗邻区域之间的交通量状况,反应机动车交通需求程度,便于用户理解,而且绘制方式简单、便捷。
进一步作为优选的实施方式,所述卡口数据至少包括:卡口编号、车流方向、车辆经过时间、车牌号码以及车辆类型;这里,车辆经过时间指车辆经过该卡口的时间;
具体的,卡口编号、车牌号码、车辆类型为字符串数据,车辆经过时间为时间数据。这里,卡口编号用于唯一识别卡口,因此,每个卡口的卡口编号都是唯一的、不重复的,例如本申请中设定的1、4、5、8等。因为卡口数据中含有车牌号码,而卡口编号与交通区域具有对应关系,因此通过本方法可以提取获得每辆按照时间顺序先后经过的交通区域序列,从而进行对应的交通量分析计算。
所述步骤S2,具体包括:
S21、将数据集中的所有卡口数据,按照车牌号码进行分组,获得每辆车辆的分组数据;
S22、提取每组分组数据中的所有卡口数据的卡口编号,并将提取的卡口编号按照时间顺序排列,得到该分组数据对应车辆的卡口序列。
按照车辆经过的卡口的时间先后顺序排序后得到车辆的卡口序列,后续步骤中可以根据该卡口序列映射获得对应的交通区域序列,即步骤S3中的原始区域序列。
系统实施例
参照图4,本发明另一方面提供了一种基于高清卡口数据的毗邻区域交通量分析系统,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实现本发明所述的基于高清卡口数据的毗邻区域交通量分析方法。
本实施例的基于高清卡口数据的毗邻区域交通量分析系统,可执行本发明方法实施例所提供的基于高清卡口数据的毗邻区域交通量分析方法,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.基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,包括以下步骤:
S1、获取道路路网中所有卡口在预设时间段内采集的卡口数据,形成数据集;
S2、根据获取的数据集,提取获得所有车辆按时间顺序经过的卡口序列;
S3、获取预设的卡口-区域匹配表,映射获得每辆车的卡口序列中的卡口编号对应的交通区域编号后,获得每辆车辆的原始区域序列;
S4、对每辆车辆的原始区域序列进行清洗,获得对应的预处理区域序列;
S5、对每辆车辆的预处理区域序列进行校正,获得对应的校正区域序列;
S6、基于所有车辆的校正区域序列,统计道路路网中所有毗邻区域的交通量。
2.根据权利要求1所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述步骤S6之后,还包括步骤:
S7、基于统计获得的所有毗邻区域的交通量,在地图上绘制毗邻区域交通量蛛网图。
3.根据权利要求1所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述步骤S4,具体包括:
S41、对每辆车辆的原始区域序列进行依序查找,获得相邻的每对区域编号对;
S42、针对所有区域编号对,当其两个区域编号相同时,只保留一个,最后获得每辆车辆的预处理区域序列。
4.根据权利要求1所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述步骤S5,具体包括:
S51、针对每辆车辆的预处理区域序列进行依序查找,获得相邻的每对区域对;其中,每对区域对的两个区域之间,在先的区域指向在后的区域;
S52、当所获得的任一相邻的区域对之间,不存在地理位置相邻关系或者不存在交通道路连接时,判断该区域对不毗邻;
S53、补齐每辆车的预处理区域序列中任意不毗邻的区域对之间所缺失的区域;
S54、将每辆车辆的补齐后的区域序列作为对应的校正区域序列。
5.根据权利要求4所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述步骤S53,具体包括:
S531、建立区域连接矩阵;其中,区域连接矩阵为N阶方阵,N为总的区域数量;矩阵中的元素表示区域之间的连接关系,矩阵的第i行第j列的元素大于0代表区域i和j为地理相邻的区域,且从区域i到区域j之间有道路连接,i、j均表示序号;;
S532、针对不毗邻的区域对,基于所建立的区域连接矩阵,查找获得该区域对中,从在先区域到在后区域之间的最短路径,并将最短路径上的区域补充到该区域对之间。
6.根据权利要求5所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述步骤S532中,所述最短路径采用Dijkstra最短路径算法查找获得。
7.根据权利要求1所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述步骤S6,其具体为:
基于所有车辆的校正区域序列,统计道路路网中,任意两个毗邻区域在所有车辆的校正区域序列中作为相邻区域对出现的总次数后,将该总次数作为该两个毗邻区域的交通量,最后获得道路路网中所有毗邻区域的交通量。
8.根据权利要求2所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述步骤S7,其具体为:
针对任意两个毗邻区域,在地图中,定位该两个毗邻区域的区域中心后,以两区域中心作为起点和终点,用线条连接,且线条的宽度与该两个毗邻区域之间的交通量成正比,最后获得道路路网的毗邻区域交通量蛛网图。
9.根据权利要求1所述的基于高清卡口数据的毗邻区域交通量分析方法,其特征在于,所述卡口数据至少包括:卡口编号、车流方向、车辆经过时间、车牌号码以及车辆类型;
所述步骤S2,具体包括:
S21、将数据集中的所有卡口数据,按照车牌号码进行分组,获得每辆车辆的分组数据;
S22、提取每组分组数据中的所有卡口数据的卡口编号,并将提取的卡口编号按照时间顺序排列,得到该分组数据对应车辆的卡口序列。
10.基于高清卡口数据的毗邻区域交通量分析系统,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任一项所述的基于高清卡口数据的毗邻区域交通量分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003992.8A CN109087508B (zh) | 2018-08-30 | 2018-08-30 | 基于高清卡口数据的毗邻区域交通量分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003992.8A CN109087508B (zh) | 2018-08-30 | 2018-08-30 | 基于高清卡口数据的毗邻区域交通量分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087508A true CN109087508A (zh) | 2018-12-25 |
CN109087508B CN109087508B (zh) | 2021-09-21 |
Family
ID=64840223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811003992.8A Active CN109087508B (zh) | 2018-08-30 | 2018-08-30 | 基于高清卡口数据的毗邻区域交通量分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087508B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768619A (zh) * | 2020-06-16 | 2020-10-13 | 苏州大学 | 一种基于卡口数据的快速路车辆od点确定方法 |
CN112597265A (zh) * | 2021-03-05 | 2021-04-02 | 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PostGIS的在线交通流量蛛网图生成方法 |
CN112598912A (zh) * | 2020-12-10 | 2021-04-02 | 佳都新太科技股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002045046A2 (en) * | 2000-11-28 | 2002-06-06 | Applied Generics Limited | Traffic monitoring system |
JP3435623B2 (ja) * | 1996-05-15 | 2003-08-11 | 株式会社日立製作所 | 交通流監視装置 |
CN101325004A (zh) * | 2008-08-01 | 2008-12-17 | 北京航空航天大学 | 一种实时交通信息的数据补偿方法 |
CN104050832A (zh) * | 2014-05-23 | 2014-09-17 | 北京中交兴路信息科技有限公司 | 位置信息的补全方法和装置 |
CN104266656A (zh) * | 2014-09-03 | 2015-01-07 | 清华大学 | 用于道路网的最短路径搜索方法及装置 |
CN104637328A (zh) * | 2015-01-07 | 2015-05-20 | 浙江大学 | 一种车辆自组织网络中基于rsu的分布式实时导航方法 |
CN104732765A (zh) * | 2015-03-30 | 2015-06-24 | 杭州电子科技大学 | 基于卡口数据的城市道路饱和度实时监测方法 |
CN104916129A (zh) * | 2015-05-05 | 2015-09-16 | 杭州电子科技大学 | 基于大规模卡口过车数据的道路实时通行速度计算方法 |
AU2015200993A1 (en) * | 2014-03-19 | 2015-10-08 | Caterpillar Inc. | Information processing method and system |
WO2016020779A1 (en) * | 2014-08-08 | 2016-02-11 | Here Global B.V. | An apparatus and associated methods for navigation of road intersections |
CN105513339A (zh) * | 2015-12-16 | 2016-04-20 | 青岛海信网络科技股份有限公司 | 一种车辆轨迹分析方法和设备 |
CN105513348A (zh) * | 2015-11-27 | 2016-04-20 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
US20160203713A1 (en) * | 2013-08-08 | 2016-07-14 | Telecom Italia S.P.A. | Management of data collected for traffic analysis |
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 |
CN106297293A (zh) * | 2016-08-30 | 2017-01-04 | 银江股份有限公司 | 一种基于卡口大数据的高架分段区间实时速度自适应计算方法 |
CN106504536A (zh) * | 2016-12-09 | 2017-03-15 | 华南理工大学 | 一种交通小区协调优化方法 |
CN106571037A (zh) * | 2016-11-15 | 2017-04-19 | 同济大学 | 一种基于卡口检测技术的高速公路实时路况监测方法 |
CN106662457A (zh) * | 2014-08-27 | 2017-05-10 | 三菱电机株式会社 | 目的地推测系统及目的地推测方法 |
CN106710216A (zh) * | 2017-02-28 | 2017-05-24 | 广东省交通运输档案信息管理中心 | 高速公路实时交通拥堵路况检测方法和系统 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
CN107329977A (zh) * | 2017-05-27 | 2017-11-07 | 银江股份有限公司 | 一种基于概率分布的假牌车二次筛选方法 |
CN107885795A (zh) * | 2017-10-24 | 2018-04-06 | 广东方纬科技有限公司 | 一种卡口数据的数据校验方法、系统和装置 |
CN108257386A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 行驶轨迹获取方法和装置 |
CN108345666A (zh) * | 2018-02-06 | 2018-07-31 | 南京航空航天大学 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
CN108346292A (zh) * | 2018-04-17 | 2018-07-31 | 吉林大学 | 基于卡口数据的城市快速路实时交通指数计算方法 |
-
2018
- 2018-08-30 CN CN201811003992.8A patent/CN109087508B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3435623B2 (ja) * | 1996-05-15 | 2003-08-11 | 株式会社日立製作所 | 交通流監視装置 |
WO2002045046A2 (en) * | 2000-11-28 | 2002-06-06 | Applied Generics Limited | Traffic monitoring system |
CN101325004A (zh) * | 2008-08-01 | 2008-12-17 | 北京航空航天大学 | 一种实时交通信息的数据补偿方法 |
US20160203713A1 (en) * | 2013-08-08 | 2016-07-14 | Telecom Italia S.P.A. | Management of data collected for traffic analysis |
AU2015200993A1 (en) * | 2014-03-19 | 2015-10-08 | Caterpillar Inc. | Information processing method and system |
CN104050832A (zh) * | 2014-05-23 | 2014-09-17 | 北京中交兴路信息科技有限公司 | 位置信息的补全方法和装置 |
WO2016020779A1 (en) * | 2014-08-08 | 2016-02-11 | Here Global B.V. | An apparatus and associated methods for navigation of road intersections |
CN106662457A (zh) * | 2014-08-27 | 2017-05-10 | 三菱电机株式会社 | 目的地推测系统及目的地推测方法 |
CN104266656A (zh) * | 2014-09-03 | 2015-01-07 | 清华大学 | 用于道路网的最短路径搜索方法及装置 |
CN104637328A (zh) * | 2015-01-07 | 2015-05-20 | 浙江大学 | 一种车辆自组织网络中基于rsu的分布式实时导航方法 |
CN104732765A (zh) * | 2015-03-30 | 2015-06-24 | 杭州电子科技大学 | 基于卡口数据的城市道路饱和度实时监测方法 |
CN104916129A (zh) * | 2015-05-05 | 2015-09-16 | 杭州电子科技大学 | 基于大规模卡口过车数据的道路实时通行速度计算方法 |
CN105513348A (zh) * | 2015-11-27 | 2016-04-20 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
CN105513339A (zh) * | 2015-12-16 | 2016-04-20 | 青岛海信网络科技股份有限公司 | 一种车辆轨迹分析方法和设备 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
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 |
CN106297293A (zh) * | 2016-08-30 | 2017-01-04 | 银江股份有限公司 | 一种基于卡口大数据的高架分段区间实时速度自适应计算方法 |
CN106571037A (zh) * | 2016-11-15 | 2017-04-19 | 同济大学 | 一种基于卡口检测技术的高速公路实时路况监测方法 |
CN106504536A (zh) * | 2016-12-09 | 2017-03-15 | 华南理工大学 | 一种交通小区协调优化方法 |
CN108257386A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 行驶轨迹获取方法和装置 |
CN106710216A (zh) * | 2017-02-28 | 2017-05-24 | 广东省交通运输档案信息管理中心 | 高速公路实时交通拥堵路况检测方法和系统 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
CN107329977A (zh) * | 2017-05-27 | 2017-11-07 | 银江股份有限公司 | 一种基于概率分布的假牌车二次筛选方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
CN107885795A (zh) * | 2017-10-24 | 2018-04-06 | 广东方纬科技有限公司 | 一种卡口数据的数据校验方法、系统和装置 |
CN108345666A (zh) * | 2018-02-06 | 2018-07-31 | 南京航空航天大学 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
CN108346292A (zh) * | 2018-04-17 | 2018-07-31 | 吉林大学 | 基于卡口数据的城市快速路实时交通指数计算方法 |
Non-Patent Citations (2)
Title |
---|
曹仲;李付琛;杨皓斐: "基于手机信令数据的城市区域间交通流分析及可视化", 《计算机与现代化》 * |
阮树斌;王福建;马东方;金盛;王殿海: "基于车牌识别数据的机动车出行轨迹提取算法", 《浙江大学学报(工学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768619A (zh) * | 2020-06-16 | 2020-10-13 | 苏州大学 | 一种基于卡口数据的快速路车辆od点确定方法 |
CN112598912A (zh) * | 2020-12-10 | 2021-04-02 | 佳都新太科技股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
CN112598912B (zh) * | 2020-12-10 | 2022-05-03 | 佳都科技集团股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
CN112597265A (zh) * | 2021-03-05 | 2021-04-02 | 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PostGIS的在线交通流量蛛网图生成方法 |
CN112597265B (zh) * | 2021-03-05 | 2021-08-03 | 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PostGIS的在线交通流量蛛网图生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109087508B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106610981A (zh) | 电子地图中道路信息的验证更新方法及系统 | |
CN109813327B (zh) | 一种车辆行驶轨迹缺失补偿方法 | |
CN107657267B (zh) | 产品潜在用户挖掘方法及装置 | |
Banzhaf et al. | Monitoring urban structure types as spatial indicators with CIR aerial photographs for a more effective urban environmental management | |
CN109087508A (zh) | 基于高清卡口数据的毗邻区域交通量分析方法及系统 | |
CN104732765B (zh) | 基于卡口数据的城市道路饱和度实时监测方法 | |
CN111178786B (zh) | 一种保障区域空气质量的排放源位置确定方法及系统 | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
Kocur-Bera | Data compatibility between the Land and Building Cadaster (LBC) and the Land Parcel Identification System (LPIS) in the context of area-based payments: A case study in the Polish Region of Warmia and Mazury | |
CN110967461B (zh) | 一种基于gis技术实现河流水质动态分布的方法 | |
CN105606110B (zh) | 基于深度优先遍历的可达路径的查找方法与装置 | |
CN105355047B (zh) | 多交通检测源动态时间粒度的数据融合处理方法 | |
CN110020224A (zh) | 地图兴趣点数据的关联方法、装置、设备及介质 | |
CN109243173A (zh) | 基于道路高清卡口数据的车辆轨迹分析方法及系统 | |
CN106919719A (zh) | 一种面向大数据的信息补全方法 | |
CN107368480A (zh) | 一种兴趣点数据错误类型定位、重复识别方法及装置 | |
CN107657006B (zh) | 基于时空特性的公共自行车ic卡与地铁ic卡匹配方法 | |
Tassinari et al. | Wide-area spatial analysis: A first methodological contribution for the study of changes in the rural built environment | |
CN103744776B (zh) | 一种基于符号化函数摘要的静态分析方法及系统 | |
CN110309219A (zh) | 信用评分模型的生成方法及装置 | |
Huber et al. | Disaggregation of aggregate GPS-based cycling data–How to enrich commercial cycling data sets for detailed cycling behaviour analysis | |
Schlattmann et al. | Spatial potential for paludicultures to reduce agricultural greenhouse gas emissions: an analytic tool. | |
Duede et al. | Convergence of economic growth and the Great Recession as seen from a Celestial Observatory | |
Gimmi et al. | Assessing accuracy of forest cover information on historical maps | |
CN107657262A (zh) | 一种计算机自动分类精度评价方法 |
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 |