CN109147330B - 一种拥堵识别方法及装置 - Google Patents
一种拥堵识别方法及装置 Download PDFInfo
- Publication number
- CN109147330B CN109147330B CN201811092216.XA CN201811092216A CN109147330B CN 109147330 B CN109147330 B CN 109147330B CN 201811092216 A CN201811092216 A CN 201811092216A CN 109147330 B CN109147330 B CN 109147330B
- Authority
- CN
- China
- Prior art keywords
- road section
- identified
- congestion
- road
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims 2
- 238000013461 design Methods 0.000 description 14
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种拥堵识别方法及装置,包括:获取车辆行驶数据;所述车辆行驶数据指示出在预设统计周期内,每个车辆通过至少一个待识别路段中任一待识别路段的车辆行程时长;所述预设统计周期包括至少一天;根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态;将所述至少一个所述待识别路段中,道路状态为拥堵状态的天数大于预设天数的待识别路段确定为常发性拥堵路段,获得H个常发性拥堵路段,H为大于1的整数;根据所述H个常发性拥堵路段确定至少一个常发性拥堵干线。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种拥堵识别方法及装置。
背景技术
当前,城市交通最突出的问题是交通拥堵问题,全国大约有2/3的城市交通拥堵成为常态。缓解交通拥堵是交警的一项重要工作。交警在进行缓解城市道路交通拥堵的过程中,主要通过交警查看历史视频和现场调研,确定现场及周边详情,组织有经验的交通组织优化、信号调优等专家制定缓堵方案,存在过度依赖专家经验、治理周期长等问题。
在传统的交通管理系统中,当某路段发生拥堵时,往往由于没有在适当的地点对后续车辆进行提醒,而只是采取对当前路段进行临时疏导的策略,造成车辆越堵越多,最终导致由于小的拥堵造成大的交通堵塞甚至交通瘫痪的现象发生。这种情况下,如果能得知关键拥堵路段,并在导致拥堵发生的路段上提前对交通进行疏导分流,提前告知驾驶员前方道路的交通状态及发布相应的诱导信息,就能从根源上避免车辆大量涌入拥堵发生地,减少不必要的交通拥堵发生。
综上所述,如何较准确的识别拥堵路段,是一个亟待解决的问题。
发明内容
本申请实施例提供一种拥堵识别方法及装置,解决了现有技术中无法较准确的识别拥堵路段的问题。
本申请实施例提供一种拥堵识别方法,包括:
获取车辆行驶数据;所述车辆行驶数据指示出在预设统计周期内,每个车辆通过至少一个待识别路段中任一待识别路段的车辆行程时长;所述预设统计周期包括至少一天;
根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态;
将所述至少一个所述待识别路段中,道路状态为拥堵状态的天数大于预设天数的待识别路段确定为常发性拥堵路段,获得H个常发性拥堵路段,H为大于1的整数;
根据所述H个常发性拥堵路段确定至少一个常发性拥堵干线;其中,针对所述至少一个常发性拥堵干线中的任一常发性拥堵干线,该常发性拥堵干线包括的任一常发性拥堵路段,与该常发性拥堵干线中的至少一个常发性拥堵路段相邻,且该常发性拥堵干线中相邻的常发性拥堵路段,处于拥堵状态的时间的时间交集大于预设阈值。
一种可能的设计中,统计所述预设统计周期内,所述至少一个常发性拥堵干线中每个常发性拥堵干线的拥堵时长、拥堵里程以及车辆在每个常发性拥堵干线中的平均速度;
根据所述拥堵时长、所述拥堵里程以及所述平均速度确定所述至少一个常发性拥堵干线的排名,并根据所述排名确定所述至少一个常发性拥堵干线的疏通顺序。
一种可能的设计中,所述根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段的道路状态,包括:
所述预设统计周期中的每一天包括至少一个时间间隔,针对所述至少一个时间间隔中的任一时间间隔,以及针对所述至少一个待识别路段中的任一待识别路段,根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
若在该时间间隔对应的路段行程速度,小于该待识别路段对应的自由流速度与第三权值的乘积,则确定在该时间间隔内,所述待识别路段处于拥堵状态;第三权值大于0且小于1;
统计所述至少一个时间间隔内,所述待识别路段处于拥堵状态的时长,若所述时长大于预设拥堵时长,则确定所述待识别路段为拥堵路段。
一种可能的设计中,针对所述至少一个时间间隔中的任一时间间隔,根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度,包括:
确定所述车辆行驶数据中,在该时间间隔内通过所述待识别路段的N个车辆的N个车辆行程时长,N为大于0的整数;
将所述N个车辆行程时长中,位于该时间间隔对应的有效数据范围内的车辆行程时长,作为有效的车辆行程时长,获得M个有效的车辆行程时长,M为小于或等于N的整数;
确定所述M个有效的车辆行程时长的平均值,并将所述待识别路段的长度除以所述平均值,获得该时间间隔对应的路段行程速度。
一种可能的设计中,通过以下方式确定所述有效数据范围:
确定第一时长与第二时长的差值,所述第一时长为所述N个车辆的N个车辆行程时长的3/4分位数,所述第二时长为所述N个车辆的N个车辆行程时长的1/4分位数;
将所述第一时长与修正差值的累加和,作为所述有效数据范围的上限;所述修正差值为所述差值与修正系数的乘积,所述修正系数大于1小于2;
将所述第二时长与所述修正差值的差,作为所述有效数据范围的下限。
一种可能的设计中,通过以下方式确定该待识别路段对应的自由流速度:
获取P个时间间隔对应的P个路段行程速度平均值,P为大于0的整数;所述P个时间间隔中,任一时间间隔对应的路段行程速度平均值,为L个该时间间隔对应的路段行程速度的平均值,L为大于0的整数;
将所述P个时间间隔对应的P个路段行程速度平均值中,最大的K个路段行程速度平均值的平均值,与所述待识别路段的最大限速中,较小的值作为该待识别路段对应的自由流速度。
本申请实施例提供一种拥堵识别装置,包括:
获取模块,用于获取车辆行驶数据;所述车辆行驶数据指示出在预设统计周期内,每个车辆通过至少一个待识别路段中任一待识别路段的车辆行程时长;所述预设统计周期包括至少一天;
处理模块,用于根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态;将所述至少一个所述待识别路段中,道路状态为拥堵状态的天数大于预设天数的待识别路段确定为常发性拥堵路段,获得H个常发性拥堵路段,H为大于1的整数;根据所述H个常发性拥堵路段确定至少一个常发性拥堵干线;其中,针对所述至少一个常发性拥堵干线中的任一常发性拥堵干线,该常发性拥堵干线包括的任一常发性拥堵路段,与该常发性拥堵干线中的至少一个常发性拥堵路段相邻,且该常发性拥堵干线中相邻的常发性拥堵路段,处于拥堵状态的时间的时间交集大于预设阈值。
一种可能的设计中,所述处理模块还用于:
统计所述预设统计周期内,所述至少一个常发性拥堵干线中每个常发性拥堵干线的拥堵时长、拥堵里程以及车辆在每个常发性拥堵干线中的平均速度;
根据所述拥堵时长、所述拥堵里程以及所述平均速度确定所述至少一个常发性拥堵干线的排名,并根据所述排名确定所述至少一个常发性拥堵干线的疏通顺序
一种可能的设计中,所述处理模块具体用于:
所述预设统计周期中的每一天包括至少一个时间间隔,针对所述至少一个时间间隔中的任一时间间隔,以及针对所述至少一个待识别路段中的任一待识别路段,根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
若在该时间间隔对应的路段行程速度,小于该待识别路段对应的自由流速度与第三权值的乘积,则确定在该时间间隔内,所述待识别路段处于拥堵状态;第三权值大于0且小于1;
统计所述至少一个时间间隔内,所述待识别路段处于拥堵状态的时长,若所述时长大于预设拥堵时长,则确定所述待识别路段为拥堵路段。
一种可能的设计中,所述处理模块具体用于:
确定所述车辆行驶数据中,在该时间间隔内通过所述待识别路段的N个车辆的N个车辆行程时长,N为大于0的整数;
将所述N个车辆行程时长中,位于该时间间隔对应的有效数据范围内的车辆行程时长,作为有效的车辆行程时长,获得M个有效的车辆行程时长,M为小于或等于N的整数;
确定所述M个有效的车辆行程时长的平均值,并将所述待识别路段的长度除以所述平均值,获得该时间间隔对应的路段行程速度。
一种可能的设计中,所述处理模块具体用于通过以下方式确定所述有效数据范围:
确定第一时长与第二时长的差值,所述第一时长为所述N个车辆的N个车辆行程时长的3/4分位数,所述第二时长为所述N个车辆的N个车辆行程时长的1/4分位数;
将所述第一时长与修正差值的累加和,作为所述有效数据范围的上限;所述修正差值为所述差值与修正系数的乘积,所述修正系数大于1小于2;
将所述第二时长与所述修正差值的差,作为所述有效数据范围的下限。
一种可能的设计中,所述处理模块具体用于通过以下方式确定该待识别路段对应的自由流速度:
获取P个时间间隔对应的P个路段行程速度平均值,P为大于0的整数;所述P个时间间隔中,任一时间间隔对应的路段行程速度平均值,为L个该时间间隔对应的路段行程速度的平均值,L为大于0的整数;
将所述P个时间间隔对应的P个路段行程速度平均值中,最大的K个路段行程速度平均值的平均值,与所述待识别路段的最大限速中,较小的值作为该待识别路段对应的自由流速度。
根据本申请实施例提供的方法,基于获取到的车辆行驶数据,可以准确的确定出在预设统计周期内,车辆通过每个待识别路段的车辆行程时长。本申请实施例从而可以根据车辆行驶数据,判断待识别路段是否处于拥堵状态,进而确定常发性拥堵干线。由于本申请实施例中,是通过对车辆行驶数据进行数据挖掘与统计分析,确定待识别路段是否为拥堵路段及拥堵时间分布规律,判断结果较准确,可靠度较高,可为交通指挥管理者进行拥堵治理提供辅助决策依据。
附图说明
图1为本申请实施例提供一种拥堵识别方法流程示意图;
图2为本申请实施例提供的车牌匹配流程示意图;
图3为本申请实施例提供的去噪流程示意图;
图4为本申请实施例提供一种拥堵识别装置结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图及具体的实施方式对上述技术方案进行详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互结合。
如图1所示,为本申请实施例提供一种拥堵识别方法流程示意图。
参见图1,该方法包括:
步骤101:获取车辆行驶数据;所述车辆行驶数据指示出在预设统计周期内,每个车辆通过至少一个待识别路段中任一待识别路段的车辆行程时长。
其中,所述预设统计周期包括至少一天。预设统计周期内的城市交通历史路况数据主要是通过存储实时路况信息得到的。预设统计周期可以依据经验进行设置,例如可以是一个月,也可以是几个月或一年,其在具体应用的过程中,可以依据经验进行设置。从智能交通管控平台系统中可以提取到城市道路交通路况信息,也就是上述城市交通历史路况数据。所述预设统计周期中的每一天包括至少一个时间间隔。时间间隔可以为5分钟或者30分钟等。
步骤102:根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态。
步骤103:将所述至少一个所述待识别路段中,道路状态为拥堵状态的天数大于预设天数的待识别路段确定为常发性拥堵路段,获得H个常发性拥堵路段。
其中,H为大于1的整数。
步骤104:根据所述H个常发性拥堵路段确定至少一个常发性拥堵干线。
其中,针对所述至少一个常发性拥堵干线中的任一常发性拥堵干线,该常发性拥堵干线包括的任一常发性拥堵路段,与该常发性拥堵干线中的至少一个常发性拥堵路段相邻,且该常发性拥堵干线中相邻的常发性拥堵路段,处于拥堵状态的时间的时间交集大于预设阈值。
步骤101之前,可以根据电子警察数据确定出车辆行驶数据,下面将详细描述。
电子警察可以对车辆进行检测后获得电子警察数据,电子警察数据包括但不限于检测到车辆在每个路口时的车牌,进入或驶出路口时的时间等信息。
获得电子警察数据之后,可以进行车牌匹配,下面详细描述车牌匹配的流程:
以待识别路段为例,待识别路段包括上游路口和下游路口。如图2所示,为本申请实施例提供的车牌匹配流程示意图。
步骤201,通过电子警察,获取上游路口和下游路口通过的车辆的电子警察数据。
本申请实施例中,可以每分钟获取一次电子警察数据。
步骤202,剔除电子警察数据中未识别到车牌的数据。
步骤203,遍历从该待识别路段的下游路口中检测到的车牌,从该待识别路段的上游路口中检测到的车牌中寻找匹配车牌。
为了较准确得到车辆通过待识别路段的行程时间,针对每个下游路口中检测到的车牌,在上游路口中进行匹配的搜索时间范围为[ti-t,ti],ti为检测到下游车辆i的时刻,t的取值可以根据实际情况确定,例如30分钟。
一辆车可能在短时间内多次在一个路口往返,因此一个下游路口中检测到的车牌,可能在上游路口中,在不同时间检测到多个相同的车牌,为了防止出现这种情况,可以将在上游路口匹配到的多个车牌中,对应的检测时间最大的车牌,作为与下游路口检测到的车牌相匹配的车牌,即在搜索时间范围内最晚的检测时间当作匹配时间。
步骤204,存储匹配成功的车牌。
步骤205,确定匹配成功的车牌对应的车辆在待识别路段的车辆行程时长。
本申请实施例中,针对一个匹配成功的车牌,可以将在下游路口检测到该车牌的时刻,与在上游路口检测到该车牌的时刻之间的差值,作为车牌对应的车辆在待识别路段的车辆行程时长。
进一步可选的,在获取到匹配成功的车牌之后,还可以将车辆行程时长较小的数据删除,例如将车辆行程时长小于100秒的数据删除。当然具体可以根据实际情况确定哪些车辆行程时长较小,在此不再赘述。
通过上述方法,可以获取每个车辆通过待识别路段的车辆行程时长。本申请实施例中,可以将预设统计周期内,每个车辆通过所述待识别路段的车辆行程时长等数据作为车辆行驶数据。
本申请实施例中,可以根据获取到的车辆行驶数据,确定在预设统计周期的每个时间间隔内,通过所述待识别路段的N个车辆的车辆行程时长,N为大于0的整数。
进一步可选的,本申请实施例中还可以对车辆行程时长进行去噪声处理。去噪声处理的目标是获取正常行驶的车辆的车辆行程时长,用于常规控制的参数输入。正常行驶的车辆的车辆行程时长还应包括由于供需不均衡导致的行程时间偏大的数据,以及由于驾驶员行为随机性导致的游离车队的数据。导致车辆行程时长出现噪声数据的原因包含以下几种:一、由于停车、加油、载客等常发状况导致车辆行程时长偏大;二、由于交通事件等特殊状况导致车辆行程时长偏大。该类噪声数据不属于区间数据预处理的范畴,但需要进行识别以便进行相关处理。
噪声数据处理原理:噪声数据处理采用箱型图中异常数据识别的方法。箱形图可以用来观察数据整体的分布情况,利用25%分位数、75%分位数、上边界、下边界等统计量来描述数据的整体分布情况。通过计算这些统计量,生成一个箱体图,箱体包含了大部分的正常数据,而在箱体上边界和下边界之外的,可以认为是异常数据。
噪声数据处理可以分为低峰期和高峰期,低峰主要是每天的0-7点和22点-24点之间,除去这些时段,其它时段均为高峰期。低峰期间可以将30分钟作为一个时间间隔,1分钟为步长,滚动处理噪声数据;高峰期间可以将5分钟作为一个时间间隔,1分钟为步长,滚动处理噪声数据。当然以上只是示例,时间间隔还有其他取值,在此不再赘述。
本申请实施例中,针对预设统计周期内的任一时间间隔,可以根据以下方法去除在该时间间隔内通过所述待识别路段的车辆的车辆行程时长中的噪声,获得有效的车辆行程时长。
如图3所示,为本申请实施例提供的去噪流程示意图。图3所示的流程图中,低峰期间可以将30分钟作为一个时间间隔,1分钟为步长,滚动处理噪声数据;高峰期间可以将5分钟作为一个时间间隔,1分钟为步长,滚动处理噪声数据,下面详细描述。
步骤301,获取在当前的时间间隔内通过待识别路段的车辆的数量N。
步骤302,判断N是否大于预设样本阈值,若是则转至步骤303,否则转至步骤307。
举例来说,预设样本阈值可以取10,当然也可以取其它值,不再赘述。
步骤303,计算第一时长与第二时长,所述第一时长为所述N个车辆的N个车辆行程时长的3/4分位数,所述第二时长为所述N个车辆的N个车辆行程时长的1/4分位数。
3/4分位数和1/4分位数具体计算方法,不再赘述。
步骤304,计算第一时长与第二时长的差值。
步骤305,根据所述差值确定有效数据范围。
其中,有效数据范围的上限,为第一时长与修正差值的累加和;有效数据范围的下限,为第二时长与修正差值的差。修正差值为第一时长与第二时长的差值,与修正系数的乘积。所述修正系数大于1小于2。
举例来说,第一时长为a,第二时长为b,第一时长与第二时长的差值IQR满足以下公式:IQR=a-b
有效数据范围的上限up,满足以下公式:up=a+IQR×β
其中,β为修正系数。
有效数据范围的下限down,满足以下公式:down=a-IQR×β
步骤306,将所述N个车辆行程时长中,位于有效数据范围内的车辆行程时长,作为有效的车辆行程时长。
通过上述方法,可以获得M个有效的车辆行程时长,M为小于或等于N的整数。
需要说明的是,位于有效数据范围之外的数据可以认为是无效的车辆行程时长。
步骤307,判断当前的时间间隔的前面一个时间间隔内,通过待识别路段的车辆的数量是否大于预设样本阈值;若大于,则转至步骤308,否则转至步骤304。
步骤308,将所述N个车辆行程时长中,位于前面一个时间间隔对应的有效数据范围内的车辆行程时长,作为有效的车辆行程时长。
进一步的,结合前面的描述,本申请实施例中,针对所述预设统计周期包括的任一天中的任一时间间隔,若从在该时间间隔内通过所述待识别路段的N个车辆的N个车辆行程时长中,则可以将所述M个有效的车辆行程时长的平均值,作为所述待识别路段在该时间间隔内的路段行程时间。
举例来说,待识别路段j在时间间隔k内的路段行程时间可以满足以下公式:
在确定出M个有效的车辆行程时长之后,则可以将所述待识别路段的长度除以所述M个有效的车辆行程时长的平均值,作为在所述待识别路段中,该时间间隔对应的路段行程速度。
举例来说,结合上面的公式,时间间隔k内路段j的路段行程速度的计算方法如下:
式中:Vkj表示时间间隔k内路段j的平均行程速度,单位为千米每小时(km/h);Lj为路段j的长度,单位为千米(km)。
本申请实施例中,待识别路段的自由流速度可以为预设的值,也可以为通过以下方式确定的:
获取P个时间间隔对应的P个路段行程速度平均值,P为大于0的整数;所述P个时间间隔中,任一时间间隔对应的路段行程速度平均值,为L个该时间间隔对应的路段行程速度的平均值,L为大于0的整数;
将所述P个时间间隔对应的P个路段行程速度平均值中,最大的K个路段行程速度平均值的平均值,与所述待识别路段的最大限速中,较小的值作为该待识别路段对应的自由流速度。
举例来说,可以按如下步骤计算待识别路段j的自由流速度Vjf,单位为千米每小时(km/h):
1)将6:00-24:00按5分钟为一时间间隔等分,共划分为216个时间间隔;
2)计算30天中,同一个时间间隔在每天对应的路段行程速度,每一时间间隔对应30个路段行程速度;例如30天,共有30个6:00-6:05,时间间隔6:00-6:05对应30个路段行程速度。
3)计算每一时间间隔对应的30个路段行程速度的平均值,确定出每个时间间隔对应的路段行程速度平均值;
4)将216个时间间隔对应的216个路段行程速度平均值从大到小排序,取排序结果的前1/9的路段行程速度平均值的平均值,记为Vjf;
5)若Vjf大于待识别路段的最大限速,则将待识别路段的最大限速作为该待识别路段对应的自由流速度,否则将Vjf作为该待识别路段对应的自由流速度。
结合前面的描述,步骤102中,针对所述至少一个时间间隔中的任一时间间隔,以及针对所述至少一个待识别路段中每个待识别路段,可以通过以下步骤确定每个待识别路段是否为拥堵状态:
步骤一:根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
步骤二:若在该时间间隔对应的路段行程速度,小于该待识别路段对应的自由流速度与第三权值的乘积,则确定在该时间间隔内,所述待识别路段处于拥堵状态;第三权值大于0且小于1;
步骤三:统计所述至少一个时间间隔内,所述待识别路段处于拥堵状态的时长,若所述时长大于预设拥堵时长,则确定所述待识别路段为拥堵路段。
上述步骤一至步骤三中所涉及到的路段行程速度、自由流速度等,可以参考前面的描述,在此不再赘述。
本申请实施例中,路段交通运行状况等级划分,可以按照以下方式确定:
针对所述至少一个时间间隔中的任一时间间隔,该待识别路段在该时间间隔内的交通运行状况等级,按照该时间间隔对应的路段行程速度与该待识别路段对应的自由流速度的关系划分为如下五个等级:
1)畅通等级:该时间间隔对应的路段行程速度大于自由流速度与第四权值的乘积;
2)基本畅通等级:该时间间隔对应的路段行程速度大于自由流速度与第三权值的乘积,且小于或等于自由流速度与第四权值的乘积;
3)轻度拥堵等级:该时间间隔对应的路段行程速度大于自由流速度与第二权值的乘积,且小于或等于自由流速度与第三权值的乘积;
4)中度拥堵等级:该时间间隔对应的路段行程速度大于自由流速度与第一权值的乘积,且小于或等于自由流速度与第二权值的乘积;
5)严重拥堵等级:该时间间隔对应的路段平均行程速度小于等于自由流速度与第一权值的乘积。
其中,第一权值小于第二权值,第二权值小于第三权值,第三权值小于第四权值,第一权值大于0且小于1,第四权值大于0且小于1。
举例来说,第一权值为30%,第二权值为40%,第三权值为50%,第四权值为70%。此时交通运行状况等级可以如表1所示。
表1
表1中,Vf表示自由流速度。当然以上只是示例,其他情况不在赘述。
需要说明的是,本申请实施例中道路状态为拥堵状态可以是指交通运行状况等级为严重拥堵,也可以是指中度拥堵或者严重拥堵。道路状态为畅通状态可以是指交通运行状况等级为畅通,也可以是指畅通或者基本畅通。
本申请实施例中,还可以进行常发性拥堵判别指标构建。
交通拥堵是交通流在道路网络中的一种特殊运行状态在时间和空间上的表现形式,而常发性拥堵的发生时间段和空间位置较为固定,持续时间及扩散范围也具有很强的规律性。因此,建立服务于常发性拥堵筛选的判别指标体系,是准确识别常发性拥堵点位的基础。
首先判定基于物理交叉点所划分的城市路段的拥堵强度,再通过计算时段拥堵时长反映路段拥堵发生概率,进而基于路段与路段之间的上下游关系进行空间链接,然后基于路段拥堵在日期段内的发生频率筛选出城市路网常发性拥堵干线的时空分布。建立常发性拥堵三级判别指标。
指标定义如下:
一级指标。拥堵阈值指标是指单一路段拥堵判别指标,反映了交通拥堵特征中的拥堵强度。单一路段拥堵判别指标是指对于单一路段的交通拥堵判别,一般选取路段的拥堵等级来表示,记为α。
拥堵阈值与拥堵等级的关系可以参考表2所示。
表2
二级指标。时段拥堵时长指标是指城市干线在一天中某个时间段内发生某一拥堵程度的频率,记为β。此处β的取值为通过统计所有干线拥堵时长,并计算拥堵时长的四分之一分位数,四分之三分位数,然后计算分位差等于四分之三分位数与四分之一分位数的差值,计算四分之三分位数与分位差的和作为β的取值,体现城市道路上路段拥堵出现的拥堵强度及频率,能够筛选出交通拥堵经常性发生拥堵的路段。
三级指标。常发频度指标,用以描述城市干线在几天内交通拥堵频度。根据时间长度可将路段划分为周、月或年常发拥堵干线,本发明主要研究周常发拥堵干线。周常发拥堵干线指一周5个工作日内,至少γ天为日拥堵干线,可对早高峰时段和晚高峰时段分别进行统计。γ的取值可以根据实际情况确定,在此不再赘述。
确定常发性拥堵干线之后,还可以进行拥堵干线分析:具体的,统计所述预设统计周期内,所述至少一个常发性拥堵干线中每个常发性拥堵干线的拥堵时长、拥堵里程以及车辆在每个常发性拥堵干线中的平均速度。
举例来说,计算一周5个工作日内周常发性拥堵干线拥堵时长;针对已识别的周常发性拥堵干线,计算一周5个工作日内周常发性拥堵干线拥堵里程;针对已识别的周常发性拥堵干线,计算一周5个工作日内周常发性拥堵干线平均行程速度。
根据前面的分析结果,还可以进行拥堵干线排名:本申请实施例中,可以根据所述拥堵时长、所述拥堵里程以及所述平均速度确定所述至少一个常发性拥堵干线的排名,并根据所述排名确定所述至少一个常发性拥堵干线的疏通顺序。
具体的,首先按照拥堵时长进行排名,拥堵时长越长,排名越靠前;其次拥堵时长相同时,按照拥堵里程排名,拥堵里程越大,则排名越靠前;最后按照平均速度进行排名,平均速度越小,则排名越靠前。本申请实施例中,排名越靠前,疏通顺序的优先级越高。通过此排名,交警可以迅速定位哪些拥堵干线该优先治理,为交警治理拥堵提供辅助决策。
举例来说,从智能交通管控平台系统提取2018年5月7日-2018年5月11日工作日过车数据,重点识别早高峰时段的常发性拥堵。
早高峰一般是指上午7:00-9:00,在这个特殊时间段,通勤和非通勤的出行集中在一起,更加容易造成拥堵。针对高峰时段,选取常发性拥堵三级评价指标阈值,α=5,β=30,γ=3,得到31条周常发性拥堵干线,干线详情如人民路(抚顺路-鞍山路)北向南,一周5个工作日拥堵5天,拥堵时长高达857分钟,累积拥堵里程为3375米。
综上所述,本申请实施例提出一种拥堵识别方法,该方法可为交通管理部门进行拥堵治理提供辅助决策依据。通过数据挖掘与统计分析,计算得到拥堵关键路段,便于交通指挥管理者有针对性的进行交通疏导分流,缓解拥堵。通过对日拥堵路段时间、空间变化分析,得出日拥堵干线,进而得出常发性拥堵干线,为交通指挥管理者的勤务部署提供合理依据。
本申请实施例提供的方法,可以通过对检测器采集到的大量历史电子警察数据进行数据挖掘与统计分析,得到城市关键拥堵路段及拥堵时间分布规律,可为交通指挥管理者进行拥堵治理提供辅助决策依据。
如图4所示,为本申请实施例提供的一种拥堵识别装置结构示意图。
参见图4,该装置包括:
获取模块401,用于获取车辆行驶数据;所述车辆行驶数据指示出在预设统计周期内,每个车辆通过至少一个待识别路段中任一待识别路段的车辆行程时长;所述预设统计周期包括至少一天;
处理模块402,用于根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态;将所述至少一个所述待识别路段中,道路状态为拥堵状态的天数大于预设天数的待识别路段确定为常发性拥堵路段,获得H个常发性拥堵路段,H为大于1的整数;根据所述H个常发性拥堵路段确定至少一个常发性拥堵干线;其中,针对所述至少一个常发性拥堵干线中的任一常发性拥堵干线,该常发性拥堵干线包括的任一常发性拥堵路段,与该常发性拥堵干线中的至少一个常发性拥堵路段相邻,且该常发性拥堵干线中相邻的常发性拥堵路段,处于拥堵状态的时间的时间交集大于预设阈值。
一种可能的设计中,所述处理模块402具体用于:统计所述预设统计周期内,所述至少一个常发性拥堵干线中每个常发性拥堵干线的拥堵时长、拥堵里程以及车辆在每个常发性拥堵干线中的平均速度;
根据所述拥堵时长、所述拥堵里程以及所述平均速度确定所述至少一个常发性拥堵干线的排名,并根据所述排名确定所述至少一个常发性拥堵干线的疏通顺序。
一种可能的设计中,所述处理模块402具体用于:
所述预设统计周期中的每一天包括至少一个时间间隔,针对所述至少一个时间间隔中的任一时间间隔,以及针对所述至少一个待识别路段中的任一待识别路段,根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
若在该时间间隔对应的路段行程速度,小于该待识别路段对应的自由流速度与第三权值的乘积,则确定在该时间间隔内,所述待识别路段处于拥堵状态;第三权值大于0且小于1;
统计所述至少一个时间间隔内,所述待识别路段处于拥堵状态的时长,若所述时长大于预设拥堵时长,则确定所述待识别路段为拥堵路段。
一种可能的设计中,所述处理模块402具体用于:
确定所述车辆行驶数据中,在该时间间隔内通过所述待识别路段的N个车辆的N个车辆行程时长,N为大于0的整数;
将所述N个车辆行程时长中,位于该时间间隔对应的有效数据范围内的车辆行程时长,作为有效的车辆行程时长,获得M个有效的车辆行程时长,M为小于或等于N的整数;
确定所述M个有效的车辆行程时长的平均值,并将所述待识别路段的长度除以所述平均值,获得该时间间隔对应的路段行程速度。
一种可能的设计中,所述处理模块402具体用于通过以下方式确定所述有效数据范围:
确定第一时长与第二时长的差值,所述第一时长为所述N个车辆的N个车辆行程时长的3/4分位数,所述第二时长为所述N个车辆的N个车辆行程时长的1/4分位数;
将所述第一时长与修正差值的累加和,作为所述有效数据范围的上限;所述修正差值为所述差值与修正系数的乘积,所述修正系数大于1小于2;
将所述第二时长与所述修正差值的差,作为所述有效数据范围的下限。
一种可能的设计中,所述处理模块402具体用于通过以下方式确定该待识别路段对应的自由流速度:
获取P个时间间隔对应的P个路段行程速度平均值,P为大于0的整数;所述P个时间间隔中,任一时间间隔对应的路段行程速度平均值,为L个该时间间隔对应的路段行程速度的平均值,L为大于0的整数;
将所述P个时间间隔对应的P个路段行程速度平均值中,最大的K个路段行程速度平均值的平均值,与所述待识别路段的最大限速中,较小的值作为该待识别路段对应的自由流速度。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种拥堵识别方法,其特征在于,包括:
获取车辆行驶数据;所述车辆行驶数据指示出在预设统计周期内,每个车辆通过至少一个待识别路段中任一待识别路段的车辆行程时长;所述预设统计周期包括至少一天;
根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态;其中,任一天内处于拥堵状态的时间间隔的时长大于预设拥堵时长的待识别路段在该天的道路状态为拥堵状态;
将所述至少一个所述待识别路段中,道路状态为拥堵状态的天数大于预设天数的待识别路段确定为常发性拥堵路段,获得H个常发性拥堵路段,H为大于1的整数;
根据所述H个常发性拥堵路段确定至少一个常发性拥堵干线;其中,针对所述至少一个常发性拥堵干线中的任一常发性拥堵干线,该常发性拥堵干线包括的任一常发性拥堵路段,与该常发性拥堵干线中的至少一个常发性拥堵路段相邻,且该常发性拥堵干线中相邻的常发性拥堵路段,处于拥堵状态的时间的时间交集大于预设阈值;
统计所述预设统计周期内,所述至少一个常发性拥堵干线中每个常发性拥堵干线的拥堵时长、拥堵里程以及车辆在每个常发性拥堵干线中的平均速度;
根据所述拥堵时长、所述拥堵里程以及所述平均速度确定所述至少一个常发性拥堵干线的排名,并根据所述排名确定所述至少一个常发性拥堵干线的疏通顺序。
2.如权利要求1所述的方法,其特征在于,所述根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态,包括:
所述预设统计周期中的每一天包括至少一个时间间隔,针对所述至少一个时间间隔中的任一时间间隔,以及针对所述至少一个待识别路段中的任一待识别路段,根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
若在该时间间隔对应的路段行程速度,小于该待识别路段对应的自由流速度与第三权值的乘积,则确定在该时间间隔内,所述待识别路段处于拥堵状态;第三权值大于0且小于1;
统计所述至少一个时间间隔内,所述待识别路段处于拥堵状态的时长,若所述时长大于预设拥堵时长,则确定所述待识别路段为拥堵路段。
3.如权利要求2所述的方法,其特征在于,针对所述至少一个时间间隔中的任一时间间隔,以及针对所述至少一个待识别路段中的任一待识别路段,根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度,包括:
确定所述车辆行驶数据中,在该时间间隔内通过所述待识别路段的N个车辆的N个车辆行程时长,N为大于0的整数;
将所述N个车辆行程时长中,位于该时间间隔对应的有效数据范围内的车辆行程时长,作为有效的车辆行程时长,获得M个有效的车辆行程时长,M为小于或等于N的整数;
确定所述M个有效的车辆行程时长的平均值,并将所述待识别路段的长度除以所述平均值,获得该时间间隔对应的路段行程速度。
4.如权利要求3所述的方法,其特征在于,通过以下方式确定所述有效数据范围:
确定第一时长与第二时长的差值,所述第一时长为所述N个车辆的N个车辆行程时长的3/4分位数,所述第二时长为所述N个车辆的N个车辆行程时长的1/4分位数;
将所述第一时长与修正差值的累加和,作为所述有效数据范围的上限;所述修正差值为所述差值与修正系数的乘积,所述修正系数大于1小于2;
将所述第二时长与所述修正差值的差,作为所述有效数据范围的下限。
5.一种拥堵识别装置,其特征在于,包括:
获取模块,用于获取车辆行驶数据;所述车辆行驶数据指示出在预设统计周期内,每个车辆通过至少一个待识别路段中任一待识别路段的车辆行程时长;所述预设统计周期包括至少一天;
处理模块,用于根据所述车辆行驶数据,确定所述至少一个待识别路段中每个待识别路段在所述预设统计周期中的每一天的道路状态;其中,任一天内处于拥堵状态的时间间隔的时长大于预设拥堵时长的待识别路段在该天的道路状态为拥堵状态;将所述至少一个所述待识别路段中,道路状态为拥堵状态的天数大于预设天数的待识别路段确定为常发性拥堵路段,获得H个常发性拥堵路段,H为大于1的整数;根据所述H个常发性拥堵路段确定至少一个常发性拥堵干线;其中,针对所述至少一个常发性拥堵干线中的任一常发性拥堵干线,该常发性拥堵干线包括的任一常发性拥堵路段,与该常发性拥堵干线中的至少一个常发性拥堵路段相邻,且该常发性拥堵干线中相邻的常发性拥堵路段,处于拥堵状态的时间的时间交集大于预设阈值;
所述处理模块还用于:统计所述预设统计周期内,所述至少一个常发性拥堵干线中每个常发性拥堵干线的拥堵时长、拥堵里程以及车辆在每个常发性拥堵干线中的平均速度;
根据所述拥堵时长、所述拥堵里程以及所述平均速度确定所述至少一个常发性拥堵干线的排名,并根据所述排名确定所述至少一个常发性拥堵干线的疏通顺序。
6.如权利要求5所述的装置,其特征在于,所述处理模块具体用于:
所述预设统计周期中的每一天包括至少一个时间间隔,针对所述至少一个时间间隔中的任一时间间隔,以及针对所述至少一个待识别路段中的任一待识别路段,根据所述车辆行驶数据,确定该时间间隔对应的路段行程速度;所述路段行程速度指示出在该时间间隔内,通过所述待识别路段的所有车辆平均速度;
若在该时间间隔对应的路段行程速度,小于该待识别路段对应的自由流速度与第三权值的乘积,则确定在该时间间隔内,所述待识别路段处于拥堵状态;第三权值大于0且小于1;
统计所述至少一个时间间隔内,所述待识别路段处于拥堵状态的时长,若所述时长大于预设拥堵时长,则确定所述待识别路段为拥堵路段。
7.如权利要求6所述的装置,其特征在于,所述处理模块还用于:
确定所述车辆行驶数据中,在该时间间隔内通过所述待识别路段的N个车辆的N个车辆行程时长,N为大于0的整数;
将所述N个车辆行程时长中,位于该时间间隔对应的有效数据范围内的车辆行程时长,作为有效的车辆行程时长,获得M个有效的车辆行程时长,M为小于或等于N的整数;
确定所述M个有效的车辆行程时长的平均值,并将所述待识别路段的长度除以所述平均值,获得该时间间隔对应的路段行程速度。
8.如权利要求7所述的装置,其特征在于,所述处理模块通过以下方式确定所述有效数据范围:
确定第一时长与第二时长的差值,所述第一时长为所述N个车辆的N个车辆行程时长的3/4分位数,所述第二时长为所述N个车辆的N个车辆行程时长的1/4分位数;
将所述第一时长与修正差值的累加和,作为所述有效数据范围的上限;所述修正差值为所述差值与修正系数的乘积,所述修正系数大于1小于2;
将所述第二时长与所述修正差值的差,作为所述有效数据范围的下限。
9.一种计算设备,其特征在于,包括至少一个处理器以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行权利要求1~4任一权利要求所述的方法。
10.一种计算机可读存储介质,其特征在于,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行权利要求1~4任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092216.XA CN109147330B (zh) | 2018-09-19 | 2018-09-19 | 一种拥堵识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092216.XA CN109147330B (zh) | 2018-09-19 | 2018-09-19 | 一种拥堵识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109147330A CN109147330A (zh) | 2019-01-04 |
CN109147330B true CN109147330B (zh) | 2020-12-08 |
Family
ID=64814974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811092216.XA Active CN109147330B (zh) | 2018-09-19 | 2018-09-19 | 一种拥堵识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109147330B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712401B (zh) * | 2019-01-25 | 2021-05-11 | 同济大学 | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 |
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 |
CN110706482A (zh) * | 2019-08-30 | 2020-01-17 | 安锐 | 一种高峰交通通行控制方法及装置 |
CN110782659B (zh) * | 2019-09-09 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、服务器及存储介质 |
CN110992689B (zh) * | 2019-11-28 | 2021-07-30 | 北京世纪高通科技有限公司 | 拥堵特征的确定方法及装置 |
CN111145546B (zh) * | 2019-12-27 | 2021-02-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
CN110930713A (zh) * | 2020-02-07 | 2020-03-27 | 北京交研智慧科技有限公司 | 基于历史重现率的道路常发拥堵识别方法、装置及设备 |
CN112053558A (zh) * | 2020-08-25 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种交通拥堵状态识别方法及装置和设备 |
CN111986483A (zh) * | 2020-08-28 | 2020-11-24 | 上海宝康电子控制工程有限公司 | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 |
CN114582141B (zh) * | 2022-03-04 | 2023-09-22 | 北京交通大学 | 常发车流量大路段识别方法及系统 |
CN114863676B (zh) * | 2022-04-15 | 2023-05-12 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
CN114842661B (zh) * | 2022-07-04 | 2022-09-16 | 成都宜泊信息科技有限公司 | 一种管理室内地图通行路段实时状态的方法和系统 |
CN115273468B (zh) * | 2022-07-20 | 2023-10-24 | 青岛海信网络科技股份有限公司 | 一种交通拥堵控制策略生成方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002170199A (ja) * | 2000-11-30 | 2002-06-14 | Mitsubishi Electric Corp | 車両走行支援システム及び車両走行制御システム |
JP5741191B2 (ja) * | 2011-05-02 | 2015-07-01 | 住友電気工業株式会社 | 旅行時間提供装置、コンピュータプログラム及び旅行時間提供方法 |
CN102968901B (zh) * | 2012-11-30 | 2014-11-26 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN106571035B (zh) * | 2016-11-08 | 2019-06-14 | 浙江大学 | 城市道路行程时间噪声数据处理方法 |
CN107657814B (zh) * | 2017-11-01 | 2019-12-06 | 沈阳世纪高通科技有限公司 | 一种路况信息生成方法和装置 |
CN108257380B (zh) * | 2017-12-05 | 2020-11-10 | 北京掌行通信息技术有限公司 | 一种基于路况信息检测拥堵事件的方法及系统 |
CN108320506B (zh) * | 2018-02-05 | 2020-08-04 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
-
2018
- 2018-09-19 CN CN201811092216.XA patent/CN109147330B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109147330A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147330B (zh) | 一种拥堵识别方法及装置 | |
Wang et al. | Can single-loop detectors do the work of dual-loop detectors? | |
Caliendo et al. | A crash-prediction model for multilane roads | |
Bonneson et al. | Effect of yellow-interval timing on the frequency of red-light violations at urban intersections | |
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
CN113327418B (zh) | 一种快速路拥堵风险分级实时预测方法 | |
US20160189303A1 (en) | Risk Based Automotive Insurance Rating System | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN110164132B (zh) | 一种道路交通异常的检测方法及系统 | |
WO2011060727A1 (zh) | 路况预测的方法及装置 | |
CN109191861B (zh) | 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法 | |
El Faouzi et al. | Improving travel time estimates from inductive loop and toll collection data with Dempster–Shafer data fusion | |
Meng et al. | Expressway crash prediction based on traffic big data | |
CN111159247A (zh) | 一种区域交通拥堵传播轨迹挖掘方法 | |
Yang et al. | Impact of weather on freeway origin-destination volume in China | |
Gross | Case–control analysis in highway safety: Accounting for sites with multiple crashes | |
Abdel-Aty et al. | Assessing crash occurrence on urban freeways by applying a system of interrelated equations | |
CN114550445B (zh) | 一种城市区域交通安全状态评估方法和装置 | |
CN109344903A (zh) | 基于车载感知数据的城市道路路面故障实时检测方法 | |
CN113112789A (zh) | 城市快速路突发事件的影响预测及管控方法 | |
Gitelman et al. | The relationship between travel speeds, infrastructure characteristics, and crashes on two-lane highways | |
CN113535819B (zh) | 一种交通态势感知分析方法、装置、计算机存储介质及终端 | |
Bonneson et al. | Red-light-running handbook: An engineer's guide to reducing red-light-related crashes |
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 |