CN109284869B - 一种基于浮动车数据城市交叉口流量估计方法 - Google Patents

一种基于浮动车数据城市交叉口流量估计方法 Download PDF

Info

Publication number
CN109284869B
CN109284869B CN201811165519.XA CN201811165519A CN109284869B CN 109284869 B CN109284869 B CN 109284869B CN 201811165519 A CN201811165519 A CN 201811165519A CN 109284869 B CN109284869 B CN 109284869B
Authority
CN
China
Prior art keywords
index
data
intersection
delay
floating car
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
Application number
CN201811165519.XA
Other languages
English (en)
Other versions
CN109284869A (zh
Inventor
张立立
王力
张海波
何忠贺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN201811165519.XA priority Critical patent/CN109284869B/zh
Publication of CN109284869A publication Critical patent/CN109284869A/zh
Application granted granted Critical
Publication of CN109284869B publication Critical patent/CN109284869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/065—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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于浮动车数据城市交叉口流量估计方法，该方法首先利用webster延误定理定量描述城市交叉口相位流量与车辆受阻延误之间的关系，并通过将测量浮动车通过交叉口时的延误作为输入数据计算得到相位流量；其次，考虑到上述计算的流量数据准确率不高，再利用RBF神经网络逼近算法对数据进行修正，逼近参数的综合性能指标由浮动车测得延误和旅行时间作为分项得到。通过本方法，利用浮动车数据可以得到准确率较高的相位流量数据，能够为城市交叉口的信号控制及优化提供支撑，从而有效提高城市道路路口的控制效率，达到缓解拥堵的目的。

Description

一种基于浮动车数据城市交叉口流量估计方法
技术领域
本发明属于城市智能交通技术领域，具体涉及一种利用低占比率浮动数据的 城市交叉口流量估计技术，为交叉口信号控制及优化提供数据支撑。
背景技术
获取城市交叉口各相位的流量数据是进行交通信号控制的前提，传统获取流 量数据的方法主要有两种：一种是通过部署在受控交叉口停车线后的固定式检测 器测量得到，具有代表性的为英国SCOOT交通控制系统和澳大利亚的SCATS 交通控制系统；另一种是通过人工或人工手持设备测量得到，当前我国部门城市 的交通管理部门在进行受控交叉口信号配时优化时仍经常采用该方式。由出行需 求驱动的城市交通流具有时空特性，最显著的包括宏观的规律性、微观的波动性、 随机性、非线性等。因此传统交通流量获取方式就存在了先天的不足和缺点。为 此，以浮动车为代表的移动式检测方式应用而生，其所具有的覆盖范围广、检测 种类丰富、检测精度高等特点可为充分感知城市交通出行需求提供支撑。
发明内容
针对当前城市交叉口信号控制与优化中获取的检测数据存在的不足，本发明 通过利用浮动车的位置数据、速度数据等，提出交叉口相位流量估计和修正的方 法，可实现相位流量的准确估计。
本发明解决其技术问题所采用的技术方案是：
(1)交叉口相位流量估计
步骤1：利用浮动车数据测量延误
Figure BDA0001820984470000011
式中：L为路段实际长度；
Figure BDA0001820984470000012
浮动车的自由流状态下的平均车速；tf为车辆 经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时 间；td为车辆经由路段以通过交叉口的延误时间。
步骤2：估计交叉口相位流量
利用延误公式计算流量：
Figure BDA0001820984470000021
式中：
Figure BDA0001820984470000022
为红灯期间相位i的受阻浮动车的平均延误时间；C(t)为交叉口 信号周期；λj(t)为运行相位的绿信比；yj(t)为所在相位的流量比且yj(t)＝qi(t)/Si， qi(t)为所在相位的流量，Si为所在相位的车道的通行能力。
(2)RBF神经网络逼近算法对数据进行修正
步骤1：设计逼近参数综合性能指标
基于延误和旅行时间的逼近参数综合性能指标PI：
Figure BDA0001820984470000023
其中
Figure BDA0001820984470000024
n＝2为指标权重且；
Figure BDA0001820984470000025
为浮动车旅行时间；
Figure BDA0001820984470000026
为 浮动车通行受阻的延误时间，其中
Figure BDA0001820984470000027
tf为车辆经由路段以非受控车速 通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；
采用平移修正处理的距离熵计算PI：
设计分项指标矩阵
Figure BDA0001820984470000028
令
Figure BDA0001820984470000029
则有信息决策矩阵 A＝[ai]m，ai为第i个指标的观测值，i＝1,2,3,...,m,m≥2过程如下：
1)将A＝[ai]m进行归一化处理，得到标准信息矩阵R＝[ri]m，其中归一化的 处理方法为:
对于越大越优型分指标[17]：
Figure BDA00018209844700000210
对于越小越优型分指标：
Figure BDA00018209844700000211
选择第i个指标所对应的最优单元值ri *，i＝1,2,3,...,m,m≥2，选取规则为
Figure BDA0001820984470000031
2)计算各指标ri对应的最优单元值ri *的距离。
di＝|ri-ri *|,i＝1,2,3,...,m,m≥2
3)计算对应指标概率
Figure BDA0001820984470000032
当di>0时无需对pi进行修正。此时ui＝0；当di＝0时，该分指标对PI不 起作用，为了保证所有指标数据的可用性，需人为的对pi进行平移修正，此时ui为常数且ui>0；
4)计算指标的距离熵
Figure BDA0001820984470000033
5)计算熵权
Figure BDA0001820984470000034
其中
Figure BDA0001820984470000035
6)计算溢流检测综合辨识指标PI
Figure BDA0001820984470000036
综合公式可得：
Figure BDA0001820984470000037
步骤2：RBF神经网络逼近算法对数据进行修正
由仿真得到综合性能指标PIs为：
Figure BDA0001820984470000038
综合性能指标PI是关于延误、旅行时间的线性加权函数，修正为：
Figure BDA0001820984470000039
基于RBF神经网络逼近算法就是以qi(pi)为输入：
|PIs-PIr|≤ε
其中，PIr为实际数据计算得到的综合性能指标，PIs为仿真系统得到综合性 能指标；
采用Gauss函数作为基础建立RBF神经网络模型：
Figure BDA0001820984470000041
其中：||qi(pi|k)-Di||为求输入信号与中心矢量的欧几里德距离，b为输出 层偏置值，Πi为RBF神经网络权值，ri为扩展常数；
采取梯度训练法，得到RBF神经网络学习的目标函数E(x)：
Figure BDA0001820984470000042
其中τ为遗忘因子；
网络训练各参数调节分量分别为：
Figure BDA0001820984470000043
其中μ为学习率；
对实际浮动车的数据进行RBF训练得到输出层偏置值、RBF神经网络权值、 中心矢量、扩展常数、遗忘因子等参数，然后根据仿真得到的qi(pi|k)以及各训 练参数计算得到输入信号逼近值。
本发明具有如下有益的技术效果：
(1)利用浮动车数据估计交叉口相位流量不受固定检测设备检测数据的限 制，且计算简单；
(2)修正后的流量数据准确，能够作为交叉口信号控制与优化的数据支撑。
附图说明
图1是估计数据修正流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合技术方案与附 图详细叙述本发明的具体实施方式：
浮动车数据采集：用安装在出租车、网约车上的车载装置或打车软件，实时 采集浮动车的运动状态信息，包括车辆的id，车辆经纬度、车辆点速度、车辆运 行时间戳等，其中数据通过无线网络传输到中心服务器上，数据的采样和传输频 率为高频和中频(采样和传输间隔<5s/次则称为高频，5s/次<采样和传输间隔 <15s/次则称为高频)，浮动车数据类型包括车辆ID、时间、状态(重车|任务车| 空车|)、经纬度/车头方向/车速，关联路段编号、路口编号、并行路信息等。
地图路网信息提取：过谷歌、百度、高德等地图厂商提供的API接口，提 取地图路网中的组成元素(地图路网中的路段由多个link组成)，包括路段link， 交叉口node等，将该类地图数据存储在中心服务器的专用地图数据库中，并对 其中所包含的经纬度数据进行纠偏处理。
估计交叉口相位流量并修正：首先，将利用浮动车数据估计得到的交叉口流 量数据作为初始数据输入到交通仿真软件中，并计算得到基于实际数据的PIr和 基于仿真结果的PIs。其次，在仿真时间t0约束下，计算PIr和PIs的差值，并判 断差值是否为0，如果为0则输出仿真的相位流量，如果不为0则调整仿真软件 的输入流量，调整流量的比例由
Figure RE-GDA0001861282490000051
决定，如果
Figure RE-GDA0001861282490000052
则流量增加ε％，如果
Figure RE-GDA0001861282490000053
则流量减少σ％，其中ε＝15，σ＝10。如图1所示。
基于浮动车数据的城市交叉口流量估计方法，包括如下步骤：
步骤一、浮动车数据采集：利用安装在出租车、网约车上的车载装置或打车 软件，实时采集浮动车的运动状态信息，包括车辆的id，车辆经纬度、车辆点速 度、车辆运行时间戳等；
步骤二、地图路网信息提取：通过谷歌、百度、高德等地图厂商提供的API 接口，提取地图路网中的组成元素(地图路网中的路段由多个link组成)，包括 路段link，交叉口node等；
步骤三、实现交叉口相位流量估计
(1)利用浮动车数据测量延误
Figure BDA0001820984470000061
式中：L为路段实际长度；
Figure BDA0001820984470000062
浮动车的自由流状态下的平均车速；tf为车辆 经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时 间；td为车辆经由路段以通过交叉口的延误时间。
(2)估计交叉口相位流量
Figure BDA0001820984470000063
式中：
Figure BDA0001820984470000064
为红灯期间相位i的受阻浮动车的平均延误时间；C(t)为交叉口 信号周期；λj(t)为运行相位的绿信比；yj(t)为所在相位的流量比且yj(t)＝qi(t)/Si， qi(t)为所在相位的流量，Si为所在相位的车道的通行能力。
步骤四、利用RBF神经网络逼近算法修正估计结果
(1)：设计逼近参数综合性能指标
为得到较为准确的流量数据，采用仿真数据逼近实际数据的方法对反推所得 流量进行修正。为此，首先设计用于逼近的参数指标。考虑到浮动车提供的交叉 口延误和旅行时间数据较为准确，因此提出基于延误和旅行时间的逼近参数综合 性能指标PI，令：
Figure BDA0001820984470000071
其中
Figure BDA0001820984470000072
n＝2为指标权重且；
Figure BDA0001820984470000073
为浮动车旅行时间；
Figure BDA0001820984470000074
为 浮动车通行受阻的延误时间，其中
Figure BDA0001820984470000075
tf为车辆经由路段以非受控车速 通过交叉口时间；tr为车辆经由路段实际通过交叉口时间。
采用平移修正处理的距离熵计算PI：
用距离熵计算指标的权重并计算最终的PI；
当分指标数值固定或变化幅度极小时，经归一化和标准化处理后距离熵的值 为0。采用数据平移修正的方法对这部分指标进行处理，保证所有分指标对PI起 作用。
方法设计：
设计分项指标矩阵
Figure BDA0001820984470000076
令
Figure BDA0001820984470000077
则有信息决策矩阵 A＝[ai]m，ai为第i个指标的观测值，i＝1,2,3,...,m,m≥2过程如下：
Step1将A＝[ai]m进行归一化处理，得到标准信息矩阵R＝[ri]m，其中归一化 的处理方法为:
对于越大越优型分指标[17]：
Figure BDA0001820984470000078
对于越小越优型分指标：
Figure BDA0001820984470000079
选择第i个指标所对应的最优单元值ri *，i＝1,2,3,...,m,m≥2，选取规则为
Figure BDA00018209844700000710
Step2计算各指标ri对应的最优单元值ri *的距离。
di＝|ri-ri *|,i＝1,2,3,...,m,m≥2 (4)
Step3计算对应指标概率
Figure BDA0001820984470000081
当di>0时无需对pi进行修正。此时ui＝0；当di＝0时，该分指标对PI不 起作用，为了保证所有指标数据的可用性，需人为的对pi进行平移修正，此时ui为常数且ui>0。
Step4计算指标的距离熵
Figure BDA0001820984470000082
Step5计算熵权
Figure BDA0001820984470000083
其中
Figure BDA0001820984470000084
Step6计算溢流检测综合辨识指标PI
Figure BDA0001820984470000085
综合公式可得：
Figure BDA0001820984470000086
(2)RBF神经网络逼近算法
由仿真得到综合性能指标PIs为：
Figure BDA0001820984470000087
由公式(9)可知，综合性能指标PI是关于延误、旅行时间的线性加权函数， 但其与受控交叉口相位输入流量并不成线性关系，因此式(10)需修正为：
Figure BDA0001820984470000088
即：
Figure BDA0001820984470000089
基于RBF神经网络逼近算法就是以qi(pi)为输入，按照：
|PIs-PIr|≤ε (13)
其中，PIr为实际数据计算得到的综合性能指标，PIs为仿真系统得到综合性 能指标。
为便于求解，本文采用Gauss函数作为基础建立RBF神经网络模型：
Figure BDA0001820984470000091
其中：||qi(pi|k)-Di||为求输入信号与中心矢量的欧几里德距离，b为输出 层偏置值，Πi为RBF神经网络权值，ri为扩展常数。
采取梯度训练法，可以得到RBF神经网络学习的目标函数E(x)：
Figure BDA0001820984470000092
其中τ为遗忘因子。
由于参数的修正量应与其负梯度成正比，因此网络训练各参数调节分量分别 为：
Figure BDA0001820984470000093
其中μ为学习率。
对实际浮动车的数据通过公式(16)，进行RBF训练得到输出层偏置值，RBF 神经网络权值、中心矢量、扩展常数、遗忘因子等参数，然后将仿真得到的 qi(pi|k)以及各训练参数带入公式(15)，经计算可得到输入信号逼近值，由此 得到的修正后的相位输入流量与实际流量相近。

Claims (1)

1.一种基于浮动车数据城市交叉口流量估计方法，其特征在于，包括如下步骤：
(1)交叉口相位流量估计
步骤1：利用浮动车数据测量延误
Figure FDA0003413822370000011
式中：L为路段实际长度；
Figure FDA0003413822370000012
浮动车的自由流状态下的平均车速；tf为车辆经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；td为车辆经由路段以通过交叉口的延误时间；
步骤2：估计交叉口相位流量
利用延误公式计算流量：
Figure FDA0003413822370000013
式中：
Figure FDA0003413822370000014
为红灯期间相位i的受阻浮动车的平均延误时间；C(t)为交叉口信号周期；λi(t)为运行相位的绿信比；yj(t)为所在相位的流量比且yj(t)＝qi(t)/Si，qi(t)为所在相位的流量，Si为所在相位的车道的通行能力；
(2)RBF神经网络逼近算法对数据进行修正
步骤1：设计逼近参数综合性能指标
基于延误和旅行时间的逼近参数综合性能指标PI：
Figure FDA0003413822370000015
其中
Figure FDA0003413822370000016
为指标权重且；
Figure FDA0003413822370000017
为浮动车旅行时间；
Figure FDA0003413822370000018
为浮动车通行受阻的延误时间，其中
Figure FDA0003413822370000019
tf为车辆经由路段以非受控车速通过交叉口时间；tr为车辆经由路段实际通过交叉口时间；
采用平移修正处理的距离熵计算PI：
设计分项指标矩阵
Figure FDA0003413822370000021
令
Figure FDA0003413822370000022
则有信息决策矩阵A＝[ai]m，ai为第i个指标的观测值，i＝1,2,3,...,m,m≥2过程如下：
1)将A＝[ai]m进行归一化处理，得到标准信息矩阵R＝[ri]m，其中归一化的处理方法为:
对于越大越优型分指标：
Figure FDA0003413822370000023
对于越小越优型分指标：
Figure FDA0003413822370000024
选择第i个指标所对应的最优单元值
Figure FDA0003413822370000025
选取规则为
Figure FDA0003413822370000026
2)计算各指标ri对应的最优单元值ri *的距离
di＝|ri-ri *|,i＝1,2,3,...,m,m≥2
3)计算对应指标概率
Figure FDA0003413822370000027
当di＞0时无需对pi进行修正，此时ui＝0；当di＝0时，该分指标对PI不起作用，为了保证所有指标数据的可用性，需人为的对pi进行平移修正，此时ui为常数且ui＞0；
4)计算指标的距离熵
Figure FDA0003413822370000028
5)计算熵权
Figure FDA0003413822370000029
其中
Figure FDA0003413822370000031
6)计算溢流检测综合辨识指标PI
Figure FDA0003413822370000032
综合公式可得：
Figure FDA0003413822370000033
步骤2：RBF神经网络逼近算法对数据进行修正
由仿真得到综合性能指标PIs为：
Figure FDA0003413822370000034
综合性能指标PI是关于延误、旅行时间的线性加权函数，修正为：
Figure FDA0003413822370000035
基于RBF神经网络逼近算法就是以qi(pi)为输入：
|PIs-PIr|≤ε
其中，PIr为实际数据计算得到的综合性能指标，PIs为仿真系统得到综合性能指标；
采用Gauss函数作为基础建立RBF神经网络模型：
Figure FDA0003413822370000036
其中：||qi(pi|k)-Di||为求输入信号与中心矢量的欧几里德距离，b为输出层偏置值，Πi为RBF神经网络权值，r为扩展常数；
采取梯度训练法，得到RBF神经网络学习的目标函数E(x)：
Figure FDA0003413822370000037
其中τ为遗忘因子；
网络训练各参数调节分量分别为：
Figure FDA0003413822370000041
其中μ为学习率；
对实际浮动车的数据进行RBF训练得到输出层偏置值、RBF神经网络权值、中心矢量、扩展常数、遗忘因子参数，然后将仿真得到的qi(pi|k)以及各训练参数带入所述目标函数E(x)得到输入信号逼近值。
CN201811165519.XA 2018-10-08 2018-10-08 一种基于浮动车数据城市交叉口流量估计方法 Active CN109284869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811165519.XA CN109284869B (zh) 2018-10-08 2018-10-08 一种基于浮动车数据城市交叉口流量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811165519.XA CN109284869B (zh) 2018-10-08 2018-10-08 一种基于浮动车数据城市交叉口流量估计方法

Publications (2)

Publication Number Publication Date
CN109284869A CN109284869A (zh) 2019-01-29
CN109284869B true CN109284869B (zh) 2022-03-15

Family

ID=65176998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811165519.XA Active CN109284869B (zh) 2018-10-08 2018-10-08 一种基于浮动车数据城市交叉口流量估计方法

Country Status (1)

Country Link
CN (1) CN109284869B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105006147A (zh) * 2015-06-19 2015-10-28 武汉大学 一种基于道路时空关联关系的路段行程时间推断方法
CN106846834A (zh) * 2017-01-21 2017-06-13 亚信蓝涛（江苏）数据科技有限公司 一种基于深度学习的交通控制优化方法
CN107248283A (zh) * 2017-07-18 2017-10-13 北京航空航天大学 一种考虑路段关键度的城市区域路网运行状态评价方法
CN108053661A (zh) * 2017-12-19 2018-05-18 青岛海信网络科技股份有限公司 一种交通控制的方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8825350B1 (en) * 2011-11-22 2014-09-02 Kurt B. Robinson Systems and methods involving features of adaptive and/or autonomous traffic control

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105006147A (zh) * 2015-06-19 2015-10-28 武汉大学 一种基于道路时空关联关系的路段行程时间推断方法
CN106846834A (zh) * 2017-01-21 2017-06-13 亚信蓝涛（江苏）数据科技有限公司 一种基于深度学习的交通控制优化方法
CN107248283A (zh) * 2017-07-18 2017-10-13 北京航空航天大学 一种考虑路段关键度的城市区域路网运行状态评价方法
CN108053661A (zh) * 2017-12-19 2018-05-18 青岛海信网络科技股份有限公司 一种交通控制的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于浮动车数据的区域路网交通状态评价;万蔚等;《科学技术与工程》;20170331;第270-274页 *

Also Published As

Publication number Publication date
CN109284869A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN109544932B (zh) 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
Zhao et al. Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data
CN109191845B (zh) 一种公交车辆到站时间预测方法
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN110930693B (zh) 一种用于道路断面的在线短时交通流预测方法
CN105136264A (zh) 一种基于多站点联合称重的重量获取方法及装置、称重系统
CN104794895A (zh) 一种面向高速公路的多源交通信息融合方法
CN113436433B (zh) 一种高效的城市交通离群值检测方法
CN104900061A (zh) 路段行程时间监测方法及装置
CN104750963A (zh) 交叉口延误时长估计方法及装置
KR101123967B1 (ko) 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체
CN112530177B (zh) 车联网环境下基于卡尔曼滤波的车辆排队长度估计方法
CN105868870A (zh) 一种基于数据融合的城市快速路旅行时间估计方法和装置
CN109816983A (zh) 一种基于深度残差网络的短时交通流量预测方法
CN114187766A (zh) 一种基于饱和率的道路服务水平评价方法
CN107092988B (zh) 一种专用道公交车辆驻站时间预测方法
CN109147322B (zh) 一种城市交通大数据处理中多源数据自适应融合方法
CN116702096B (zh) 车辆高原环境道路滑行阻力测算方法及装置
CN109284869B (zh) 一种基于浮动车数据城市交叉口流量估计方法
CN112883236A (zh) 一种地图更新方法、装置、电子设备及存储介质
Mead Hybrid CNN and LSTM Model (HCLM) for Short-Term Traffic Volume Prediction
Sassella et al. On queue length estimation in urban traffic intersections via inductive loops
CN110956808B (zh) 一种基于非全样定位数据的重型货车交通流量预测方法
Wang et al. Coordinated control strategy between entrance ramp of city expressway and upstream intersection
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统

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