CN109325617A - 一种城市交通状态预测方法及装置 - Google Patents
一种城市交通状态预测方法及装置 Download PDFInfo
- Publication number
- CN109325617A CN109325617A CN201811027397.8A CN201811027397A CN109325617A CN 109325617 A CN109325617 A CN 109325617A CN 201811027397 A CN201811027397 A CN 201811027397A CN 109325617 A CN109325617 A CN 109325617A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- restricting
- vehicle set
- trip
- trips vehicles
- 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市交通状态预测方法及装置,该方法包括获取预设周期内的车辆的交通出行量数据,根据预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合,根据限行影响车辆集合和限号影响车辆集合中的车辆,确定出刚需出行车辆以及刚需车辆的出行方式,对刚需出行车辆的出行方式进行分析,确定出限行影响车辆集合和限号影响车辆集合中绕行车辆的时空特性,根据限行影响车辆集合和限号影响车辆集合中绕行车辆的时空特性,对城市交通状态进行预测。该预测方法简单可行、稳定性高,既能够充分利用积累的海量交通数据,又降低了人工计算的工作强度。
Description
技术领域
本发明实施例涉及交通技术领域,尤其涉及一种城市交通状态预测方法及装置。
背景技术
随着城市居民经济生活水平的提高,大中型城市中机动车保有量呈现逐年增长趋势,而城市内部道路交通资源供给有限,造成城市内部交通压力大、交通隐患多等一系列交通问题。另外,在生活文化日益丰富的时代,各大中型城市举行的大型活动的频率也日益增多,如杭州的G20峰会、厦门的金砖峰会等大型活动。为缓解主城区交通压力,在日常交通管理或大型活动期间通常需要出台交通管理措施进行分时段的交通管制,常见的交通管理措施有尾号限行、外地车辆禁入、大货车禁行等,然而各地在进行交通管理措施的制定时,往往根据日常经验采用简单粗放的方式,没有充分利用市内智能交通系统采集的各类交通数据,可能会产生过度限制出行需求或限行不到位的情况,既降低了交通管理措施的有效性,又造成了大量交通数据资源的浪费。如何充分整合交通信息,为交通管理措施的制定提供科学有效的评估方法,是每一个城市进行交通管理时的重要课题。
发明内容
本发明实施例提供一种城市交通状态预测方法及装置,用以提高交通管理措施的效率,提高交通数据资源的利用率。
本发明实施例提供的一种城市交通状态预测方法,包括:
获取预设周期内的车辆的交通出行量(ORIGIN DESTINATION,OD)数据;
根据所述预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合;
根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆以及所述刚需出行车辆的出行方式;
对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性;
根据所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,对所述城市交通状态进行预测。
可选的,所述根据所述预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合,包括:
根据区域限行时间段和所述预设周期内的车辆的OD数据,确定出所述区域限行时间段内行驶的车辆;提取出所述区域限行时间段内行驶的车辆中与限行区域有空间交集的车辆,确定出所述限行影响车辆集合;
统计所述预设周期内至少有第一预设天数在第一时间段内行驶的车辆,根据限号措施,确定出所述限号影响车辆集合。
可选的,在确定出所述限行影响车辆集合和限号影响车辆集合,还包括:
根据家庭拥有车辆数和违章比例对所述限号影响车辆集合进行修正;
根据所述修正后的限号影响车辆集合和所述限行影响车辆集合的交集,对所述限行车辆集合进行修正。
可选的,所述根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆,包括:
对所述限行影响车辆集合和所述限号影响车辆集合的车辆的出行链进行简化;
将预设周期内至少有第二预设天数的出行终点相同的车辆确定为常发的规律性出行车辆;
将以城市的重要兴趣点(Point of Interest,POI)为中心的预设范围内的车辆中预设周期内小于第三预设天数行驶过且行驶的终点至少有第四预设天数是位于所述限号影响车辆集合中的车辆,确定为偶发的必要性出行车辆;
将所述限行影响车辆集合和所述限号影响车辆集合中除了所述常发的规律性出行车辆和所述偶发的必要性出行车辆之外的车辆确定为杂乱的无序性出行车辆;
将所述常发的规律性出行车辆和所述偶发的必要性出行车辆确定为刚需出行车辆,将所述杂乱的无序性出行车辆确定为非刚需出行车辆。
可选的,所根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出所述刚需出行车辆的出行方式,包括:
统计所述刚需出行车辆在预设周期内起点或终点在限行区域内的出行距离的平均值;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第一预设出行方式概率,确定出所述限行影响车辆集合中的所述刚需出行车辆的出行方式;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第二预设出行方式概率,确定出所述限号影响车辆集合中的所述刚需出行车辆的出行方式。
可选的,所述对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,包括:
将所述限行影响车辆集合和所述限号影响车辆集合中出行方式为开车出行的车辆确定为第一车辆集合;
将在预设周期内的车辆的OD数据中出现次数最多的起终点作为分析的起终点;
根据车辆的起终点,确定出多条最短路径以及各最短路径的距离和平均单车道小时流量;根据所述各最短路径的距离和平均单车道小时流量,确定各最短路径的阻抗;
根据所述各最短路径的阻抗确定各路径的选择概率;
根据所述各路径的选择概率,确定所述第一车辆集合中的绕行车辆的绕行路径;
根据所述第一车辆集合中的绕行车辆的绕行路径和车辆到路径中各节点的时刻,确定所述第一车辆集合中绕行车辆的时空特性。
可选的,所述根据所述第一车辆集合中的绕行车辆的绕行路径和车辆到路径中各节点的时刻,确定所述第一车辆集合中绕行车辆的时空特性,包括:
根据车辆到路径中各节点的时刻对所述第一车辆集合中的绕行车辆的绕行路径进行时空拆解,确定出各路段上的车辆数。
可选的,所述根据车辆到路径中各节点的时刻对所述第一车辆集合中的绕行车辆的绕行路径进行时空拆解,确定出各路段上的车辆数和单车道流量,包括:
针对任一路径,从所述路径中的第二个节点开始,确定出各节点的预设时间间隔;
根据各节点的预设时间间隔,将车辆到起始节点的时刻与车辆到其它节点的时刻进行对比,确定出所述路径中各路段的车辆数和单车道流量。
可选的,在对所述城市交通状态进行预测之后,还包括:
获取各路段的单车道流量与时间的曲线;
将所述单车道流量与时间的曲线中大于第一单车道流量的第一时间段作为高峰小时段;
对高峰小时段进行合并,得到高峰时间段;
根据所述高峰时间段,确定处理风险路段和风险时段。
可选的,所述对高峰小时段进行合并,得到高峰时间段,包括:
将预设数量以上相邻的高峰小时段合并为高峰时间段;
将间隔时间小于等于预设时间阈值的两个高峰小时段合并为高峰时间段;
将合并得到的高峰时间段中小于预设时间阈值的高峰时间段进行删除,得到最终的高峰时间段。
可选的,在对所述城市交通状态进行预测之后,还包括:
将所述刚需出行车辆的出行方式为公交出行的车辆确定为第二车辆集合;
将第二车辆集合中各车辆在预设周期内出行次数最多的OD数据中的起点和终点分别进行空间聚类,得到起点聚类结果和终点聚类结果;
根据每个起点区域到其它终点区域的车辆数以及从所有起点区域到任一终点区域的车辆数,得到公交出行需求的OD矩阵。
相应的,本发明实施例还提供了一种城市交通状态预测装置,包括:
获取单元,用于获取预设周期内的车辆的OD数据;
处理单元,用于根据所述预设周期内的车辆的OD数据进行处理,确定出限行影响车辆集合和限号影响车辆集合;根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆以及所述刚需出行车辆的出行方式;对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性;根据所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,对所述城市交通状态进行预测。
可选的,所述处理单元具体用于:
根据区域限行时间段和所述预设周期内的车辆的OD数据,确定出所述区域限行时间段内行驶的车辆;提取出所述区域限行时间段内行驶的车辆中与限行区域有空间交集的车辆,确定出所述限行影响车辆集合;
统计所述预设周期内至少有第一预设天数在第一时间段内行驶的车辆,根据限号措施,确定出所述限号影响车辆集合。
可选的,所述处理单元具体用于:
根据家庭拥有车辆数和违章比例对所述限号影响车辆集合进行修正;
根据所述修正后的限号影响车辆集合和所述限行影响车辆集合的交集,对所述限行车辆集合进行修正。
可选的,所述处理单元具体用于:
对所述限行影响车辆集合和所述限号影响车辆集合的车辆的出行链进行简化;
将预设周期内至少有第二预设天数的出行终点相同的车辆确定为常发的规律性出行车辆;
将以城市的重要POI为中心的预设范围内的车辆中预设周期内小于第三预设天数行驶过且行驶的终点至少有第四预设天数是位于所述限号影响车辆集合中的车辆,确定为偶发的必要性出行车辆;
将所述限行影响车辆集合和所述限号影响车辆集合中除了所述常发的规律性出行车辆和所述偶发的必要性出行车辆之外的车辆确定为杂乱的无序性出行车辆;
将所述常发的规律性出行车辆和所述偶发的必要性出行车辆确定为刚需出行车辆,将所述杂乱的无序性出行车辆确定为非刚需出行车辆。
可选的,所述处理单元具体用于:
统计所述刚需出行车辆在预设周期内起点或终点在限行区域内的出行距离的平均值;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第一预设出行方式概率,确定出所述限行影响车辆集合中的所述刚需出行车辆的出行方式;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第二预设出行方式概率,确定出所述限号影响车辆集合中的所述刚需出行车辆的出行方式。
可选的,所述处理单元具体用于:
将所述限行影响车辆集合和所述限号影响车辆集合中出行方式为开车出行的车辆确定为第一车辆集合;
将在预设周期内的车辆的OD数据中出现次数最多的起终点作为分析的起终点;
根据车辆的起终点,确定出多条最短路径以及各最短路径的距离和平均单车道小时流量;根据所述各最短路径的距离和平均单车道小时流量,确定各最短路径的阻抗;
根据所述各最短路径的阻抗确定各路径的选择概率;
根据所述各路径的选择概率,确定所述第一车辆集合中的绕行车辆的绕行路径;
根据所述第一车辆集合中的绕行车辆的绕行路径和车辆到路径中各节点的时刻,确定所述第一车辆集合中绕行车辆的时空特性。
可选的,所述处理单元具体用于:
根据车辆到路径中各节点的时刻对所述第一车辆集合中的绕行车辆的绕行路径进行时空拆解,确定出各路段上的车辆数。
可选的,所述处理单元具体用于:
针对任一路径,从所述路径中的第二个节点开始,确定出各节点的预设时间间隔;
根据各节点的预设时间间隔,将车辆到起始节点的时刻与车辆到其它节点的时刻进行对比,确定出所述路径中各路段的车辆数和单车道流量。
可选的,所述处理单元还用于:
在对所述城市交通状态进行预测之后,获取各路段的单车道流量与时间的曲线;
将所述单车道流量与时间的曲线中大于第一单车道流量的第一时间段作为高峰小时段;
对高峰小时段进行合并,得到高峰时间段;
根据所述高峰时间段,确定处理风险路段和风险时段。
可选的,所述处理单元具体用于:
将预设数量以上相邻的高峰小时段合并为高峰时间段;
将间隔时间小于等于预设时间阈值的两个高峰小时段合并为高峰时间段;
将合并得到的高峰时间段中小于预设时间阈值的高峰时间段进行删除,得到最终的高峰时间段。
可选的,所述处理单元还用于:
在对所述城市交通状态进行预测之后,将所述刚需出行车辆的出行方式为公交出行的车辆确定为第二车辆集合;
将第二车辆集合中各车辆在预设周期内出行次数最多的OD数据中的起点和终点分别进行空间聚类,得到起点聚类结果和终点聚类结果;
根据每个起点区域到其它终点区域的车辆数以及从所有起点区域到任一终点区域的车辆数,得到公交出行需求的OD矩阵。
相应的,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述城市交通状态预测方法。
相应的,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述城市交通状态预测方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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一种系统架构的示意图;
图2为本发明实施例提供的一种城市交通状态预测方法的流程示意图;
图3为本发明实施例提供的一种道路编号的示意图;
图4为本发明实施例提供的一种城市交通状态预测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
图1示例性的示出了本发明实施例所适用的一种系统架构,该系统架构可以为服务器100,包括处理器110、通信接口120和存储器130。该服务器100可以是位于交通控制中心的服务器,也可以为其它分中心的服务器,本发明实施例对此不做限制。
其中,通信接口120用于与路口采集设备进行通信,收发该路口采集设备传输的信息,实现通信。
处理器110是服务器100的控制中心,利用各种接口和线路连接整个服务器100的各个部分,通过运行或执行存储在存储器130内的软件程序/或模块,以及调用存储在存储器130内的数据,执行服务器100的各种功能和处理数据。可选地,处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块,处理器110通过运行存储在存储器130的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据业务处理所创建的数据等。此外,存储器130可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是,上述图1所示的结构仅是一种示例,本发明实施例对此不做限定。
本发明实施例的目的是尽量减少人员的调查成本,能够有效利用智能交通建设过程中积累的海量交通数据,在城市交通管理措施的制定过程中,起到辅助决策的作用,使政策的制定更加科学合理,做到精准限行:既能够减少对刚需出行的抑制,又能到达限制出行总量的目的。
为了实现上述目的,图2示例性的示出了本发明实施例提供的一种城市交通状态预测的流程,该流程可以由城市交通状态预测装置执行。
如图2所示,该流程具体包括:
步骤201,获取预设周期内的车辆的OD数据。
车辆的OD数据是指车辆的出行链数据,其包括出行的起点和终点,也可以成为OD对。其是由城市内电警、卡口、违章等设备采集的过车数据确定出的车辆日常出行链。
步骤202,根据所述预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合。
具体的,根据区域限行时间段和预设周期内的车辆的OD数据,确定出区域限行时间段内行驶的车辆,提取出区域限行时间段内行驶的车辆中与限行区域有空间交集的车辆,确定出限行影响车辆集合。统计预设周期内至少有第一预设天数在第一时间段内行驶的车辆,根据限号措施,确定出限号影响车辆集合。可选的,还需要对限行影响车辆集合和限号影响车辆集合,包括根据家庭拥有车辆数和违章比例对限号影响车辆集合进行修正,根据修正后的限号影响车辆集合和限行影响车辆集合的交集,对限行车辆集合进行修正。上述预设周期、第一预设天数、第一时间段在具体实施过程中,可以依据经验进行设置。
举例来说,根据交通管理措施,对车辆进行提取。该交通管理措施可以包括限号措施,区域限行措施和特殊车辆限行措施。采用数据默认预设周期为一个月的数据。
其中区域限行措施影响车辆提取为:假设区域限行时间段为[T1,T2],遍历一个月内所有在途车辆,提取每天在[T1,T2]时间段内在途车辆;根据每天在[T1,T2]时间段内在途车辆,提取与限行区域有空间交集的车辆;然后提取30天内,同一辆车在至少10%的天数内O(起点)相同或D(终点)相同,则进行保留,形成区域限行影响车辆的集合A1。
对限号措施影响车辆的提取为:统计30天内,同一辆车在至少10%的天数在[T1,T2]时间段内出现过,形成车辆集合;根据限号措施,筛选车辆集合,形成限号影响车辆。
结合平均家庭拥有车辆数θ1和违章比例θ2,对限号影响车辆进一步修正(按照比例进行随机选择),形成修正后的限号影响车辆集合A2。
当交通管理政策中同时具有限行措施和限号措施时,二者影响的车辆必然具有一定的交集,为避免重复分析,将交集归到限号影响车辆集合A2中,从A1中剔除车辆交集,重新命名为A1。
步骤203,根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆。
具体的,对限行影响车辆集合和限号影响车辆集合的车辆的出行链进行简化。将预设周期内至少有第二预设天数的出行终点相同的车辆确定为常发的规律性出行车辆。将以城市的重要POI为中心的预设范围内的车辆中预设周期内小于第三预设天数行驶过且行驶的终点至少有第四预设天数是位于限号影响车辆集合中的车辆,确定为偶发的必要性出行车辆。将限行影响车辆集合和限号影响车辆集合中除了常发的规律性出行车辆和偶发的必要性出行车辆之外的车辆确定为杂乱的无序性出行车辆。将常发的规律性出行车辆和偶发的必要性出行车辆确定为刚需出行车辆,将杂乱的无序性出行车辆确定为非刚需出行车辆。上述第二预设天数、第三预设天数、第四预设天数在具体应用的过程中,可以依据经验进行设置。
举例来说,遍历集合A1和集合A2中所有车辆,将两个集合中所有车辆归为三类:常发的规律性出行、偶发的必要性出行、杂乱的无序性出行。
首先,将单车出行链进行简化,若某一辆车某一天在[T1,T2]时间段内有多个出行链时,保留出行时间最长的作为单一出行链。然后对常发的规律性出行车辆进行提取:若某一辆车在至少30%的天数内D(终点)相同,则进行提取,将该车记为常发的规律性出行。再对偶发的必要性出行车辆间提取:获取城市内重要的POI点,包括医院、商场、学校等场所位置,以这些点为核心(假设电子警察卡口是全覆盖),向外搜索1000米范围内的电警(卡口)设备,当某车辆同时满足以下两个条件时,则将其并入偶发的必要性出行中:
①30天内小于20%总天数出现过;
②出行的终点至少有1天是在集合B中。
最后对杂乱的无序性出行进行提取:在集合A1和集合A2中,分别去除常发的规律性出行和偶发的必要性出行,剩余车辆即为杂乱的无序性出行。
在本发明实施例中,对于刚需出行车辆的定义为:交通管理措施实施后,该对象仍然会出行,无论是以什么样的出行的方式。因此,在影响车辆出行规律分析的基础上,将常发的规律性出行和偶发的必要性出行统一归为刚需出行;将杂乱的无序性出行归为非刚需出行。
根据上文中刚需的定义,将刚需出行车辆的出行方式分为公交出行(地面公交、地铁等)和自驾出行(绕路行驶、打车、家庭第二辆车、违章等)。而非刚需出行车辆在分析时为简便,统一认为非刚需出行车辆会取消出行。
在确定出刚需出行车辆后,再确定刚需出行车辆的出行方式,具体的,统计刚需出行车辆在预设周期内起点或终点在限行区域内的出行距离的平均值,根据刚需出行车辆的出行距离的平均值、刚需出行车辆的出行目的和第一预设出行方式概率,确定出限行影响车辆集合中的刚需出行车辆的出行方式,根据刚需出行车辆的出行距离的平均值、刚需出行车辆的出行目的和第二预设出行方式概率,确定出限号影响车辆集合中的刚需出行车辆的出行方式。该第一预设出行方式概率和第二预设出行方式概率可以依据经验进行设置。
举例来说,刚需出行车辆的出行方式选择方法如下:
(1)计算车辆30天内O点或D点在限行区域内的出行距离的平均值;
(2)根据车辆的出行目的(常发的规律性出行和偶发的必要性出行),将限行影响的车辆,按照表1中概率做随机函数进行车辆的出行方式选择(括号外为常发的规律性出行,括号内为偶发的必要性出行)。
表1
(3)根据车辆的出行目的(常发的规律性出行和偶发的必要性出行),将限号影响的车辆,按照表2中概率做随机函数进行车辆的出行方式选择。
表2
步骤204,对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性。
具体的,将限行影响车辆集合和限号影响车辆集合中出行方式为开车出行的车辆确定为第一车辆集合,将在预设周期内的车辆的OD数据中出现次数最多的起终点作为分析的起终点,根据车辆的起终点,确定出多条最短路径以及各最短路径的距离和平均单车道小时流量;根据各最短路径的距离和平均单车道小时流量,确定各最短路径的阻抗,根据各最短路径的阻抗确定各路径的选择概率,根据各路径的选择概率,确定第一车辆集合中的绕行车辆的绕行路径,根据第一车辆集合中的绕行车辆的绕行路径和车辆到路径中各节点的时刻,确定第一车辆集合中绕行车辆的时空特性。
在确定第一车辆集合中绕行车辆的时空特性时,具体为:根据车辆到路径中各节点的时刻对第一车辆集合中的绕行车辆的绕行路径进行时空拆解,确定出各路段上的车辆数。主要可以表现为:针对任一路径,从路径中的第二个节点开始,确定出各节点的预设时间间隔,根据各节点的预设时间间隔,将车辆到起始节点的时刻与车辆到其它节点的时刻进行对比,确定出路径中各路段的车辆数和单车道流量。
举例来说,在得到刚需出行车辆的出行方式之后,就可以对限行影响车辆绕行空间进行分析,具体为:
①将限行和限号影响下,开车出行的车辆进行整合,形成车辆集合Bcar。
②将每辆车在30天内OD对出现次数最多的起终点作为分析时的起终点。
③以O为起点,D为终点,利用A*(A-Star)算法,搜寻3条最短路。该算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近,最终搜索速度越快。
④计算每一条最短路的距离Li、路径平均单车道小时流量Qi。该路径平均单车道小时流量可以满足公式(1):
其中,Qi为路径i平均单车道小时流量,Ql为路段l在时间区间[T1,T2]内的总流量,l为路径i上第l条路段,nl为路段l对应总流量下的车道数,Average代表了取平均值。
⑤计算路径i的阻抗f(i),该阻抗可以满足公式(2)。
其中,f(i)代表了第i条路径的阻抗,Li表示第i条路径的距离,Lmin和Lmax分别代表了所有备选路径中的最短距离和最长距离,Qi代表路径i的平均单车道小时流量,Qmin和Qmax分别代表了备选路径中的最小和最大平均车道小时流量。当f(i)=0时,无需进行选择概率判断,直接将选择结果置为i。
⑥计算路径i的选择概率P(i),该路径i的选择概率可以满足公式(3):
⑦将车辆利用随机函数,按照P(i)对各路径进行选择。
⑧遍历集合Bcar中的所有车辆,完成绕行车辆的绕行路径的分析。
在完成绕行车辆的绕行路径的分析之后,就可以进行限行影响车辆绕行时空加载:
①修正出发时刻
提取车辆30天内频率最高的终点作为分析对象,假设绕行车辆到达D(终点)点的时刻TD不变,修正出发时刻TO可以满足公式(4):
上式中,TO为修正后的出发时刻,TO_cus为原来的出发时刻,TD为修正前以及修正后的到达时刻,Lnew为新路径的距离,Lcus为原来路径的平均距离。
②各路段行驶时间计算
假设某车辆各节点和路段采用如图3方式进行编号,则各路段的行驶时间计算如公式(5下:
上式中,ti为路段i的行程时间,Li和Qi分别为路段i的路段长度和限行时间区间内的平均小时流量,N为从O点到D点的路段总数。
③计算各节点到达时刻,该各节点到达时刻可以满足公式(6):
④车辆时空加载
将车辆行驶轨迹进行时空拆解,方法如下:
a)从第2个节点开始,利用节点时间T2,确定出T2所属的5分钟间隔(时间间隔采用“左开右闭”的形式),例如,T2属于区间(Tx,Tx+5]的5分钟区间内。
b)判断节点1时刻T1:
如果T1≥Tx,则路段1只在时间段(Tx,Tx+5]内增加1辆车,单车道流量增加1/n(n为具有检测数据的车道数)。
如果T1<Tx,计算的数值,在时间区间((Tx-5·N),Tx+5)时间段内每隔5分钟均增加1辆车,单车道流量增加1/n(n为具有检测数据的车道数)。
⑤遍历集合Bcar内的所有车辆,完成绕行车辆的时空加载,从而完成限行影响车辆的时空特性的确定。
限号影响车辆时空特性分析
将限号影响车辆集合A2中车辆进行遍历,方法同上文中的限行影响车辆绕行空间分析和限行影响车辆绕行时空加载方法相同,得到限号影响下每辆车的时空特性。
步骤205,根据所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,对所述城市交通状态进行预测。
在得到限行影响车辆集合和限号影响车辆集合中绕行车辆的时空特性之后,就可以进行城市交通状态预测。道路交通状态预测阶段,主要是在现状交通的基础上,通过加载绕行车辆、去掉被限制车辆后,得到路网的综合交通状态,即原有车辆-每条路段被限车辆数+绕行车辆数=新的各路段车辆数。
可选性,在确定出刚需出行车辆的出行方式之后,还可以对公交需求进行分析,具体为:将刚需出行车辆的出行方式为公交出行的车辆确定为第二车辆集合,将第二车辆集合中各车辆在预设周期内出行次数最多的OD数据中的起点和终点分别进行空间聚类,得到起点聚类结果和终点聚类结果,根据每个起点区域到其它终点区域的车辆数以及从所有起点区域到任一终点区域的车辆数,得到公交出行需求的OD矩阵。
举例来说,将限行和限号影响下,公交出行的车辆进行整合,形成车辆集合Bbus,将每一辆车在30天内出行次数最多的OD对,作为分析对象;将所有车辆的起点O和终点D分别进行空间聚类,根据筛选条件,在得到的起点或终点聚类结果中,密度大于1000veh/km2的起终点结果,进行保留;计算每个起点区域至其他终点的车辆数,以及从所有起点区域至某一个终点区域的车辆数,再按照1.2人/辆的比例,进行公交需求折算,最终得到新增公交出行需求的OD矩阵(以人为单位)。
在上述对城市交通状态进行预测之后,还可以进行道路风险点识别,具体可以为:获取各路段的单车道流量与时间的曲线;将单车道流量与时间的曲线中大于第一单车道流量的第一时间段作为高峰小时段;对高峰小时段进行合并,得到高峰时间段;根据高峰时间段,确定处理风险路段和风险时段。其中,对高峰小时段进行合并,得到高峰时间段可以体现为:将预设数量以上相邻的高峰小时段合并为高峰时间段;将间隔时间小于等于预设时间阈值的两个高峰小时段合并为高峰时间段;将合并得到的高峰时间段中小于预设时间阈值的高峰时间段进行删除,得到最终的高峰时间段。
举例来说,在道路交通状态预测结果的基础上,可得到全路网中每个路段在[T1,T2]时间段内的交通状态,根据交通状态识别风险路段和风险路段的风险时间点。
(1)获取路段的单车道流量-时间曲线(时间区间为[T1,T2]);
(2)获取流量曲线上大于75veh/5min的五分钟时段作为高峰小时段;
(3)进行小时间段合并,获取高峰时间段:若有两个及以上的高峰时间段相邻,则进行合并;若两个小高峰时段间隔小于等于5分钟,进行合并;将所有的小于等于5分钟的高峰时段进行删除,剩余的即为高峰时间段;
(4)将全路网下每个路段进行遍历,得到最终的风险路段和风险路段下的风险时段。
本发明实施例充分结合城市内电警、卡口、违法等设备采集的过车数据,在车辆日常出行链的基础上,对交通管理措施影响下的车辆进行自动提取,通过分析影响车辆的出行规律,将其按照刚需出行和非刚需出行进行分类,进而分析刚需出行车辆的交通方式转移,结合现状交通,可以得到各道路交通状态预测、道路风险点和公交新增需求的结论性时空数据,为交通管理措施合理性的评估提供数据支撑。本发明专利可进行多种交通管理措施的组合录入、评估数据的自主定义和交通管理措施的多次评估对比,为一套科学的政策评估和管理工具。本发明实施例提供的方法简单、模块化操作性高,在充分利用交通大数据的基础上,既降低了复杂度,又保证了可靠度,工程应用上易于实现和维护,应用价值较高。
上述实施例表明,获取预设周期内的车辆的交通出行量数据,根据预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合,根据限行影响车辆集合和限号影响车辆集合中的车辆,确定出刚需出行车辆,对刚需出行车辆的出行方式进行分析,确定出限行影响车辆集合和限号影响车辆集合中绕行车辆的时空特性,根据限行影响车辆集合和限号影响车辆集合中绕行车辆的时空特性,对城市交通状态进行预测。该预测方法简单可行、稳定性高,既能够充分利用积累的海量交通数据,又降低了人工计算的工作强度。
基于相同的技术构思,图4示例性的示出了本发明实施例提供的一种城市交通状态预测装置的结构,该装置可以执行城市交通状态预测流程。
如图4所示,该装置可以包括:
获取单元401,用于获取预设周期内的车辆的OD数据;
处理单元402,用于根据所述预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合;根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆以及所述刚需出行车辆的出行方式;对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性;根据所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,对所述城市交通状态进行预测。
可选的,所述处理单元402具体用于:
根据区域限行时间段和所述预设周期内的车辆的OD数据,确定出所述区域限行时间段内行驶的车辆;提取出所述区域限行时间段内行驶的车辆中与限行区域有空间交集的车辆,确定出所述限行影响车辆集合;
统计所述预设周期内至少有第一预设天数在第一时间段内行驶的车辆,根据限号措施,确定出所述限号影响车辆集合。
可选的,所述处理单元402具体用于:
根据家庭拥有车辆数和违章比例对所述限号影响车辆集合进行修正;
根据所述修正后的限号影响车辆集合和所述限行影响车辆集合的交集,对所述限行车辆集合进行修正。
可选的,所述处理单元402具体用于:
对所述限行影响车辆集合和所述限号影响车辆集合的车辆的出行链进行简化;
将预设周期内至少有第二预设天数的出行终点相同的车辆确定为常发的规律性出行车辆;
将以城市的重要POI为中心的预设范围内的车辆中预设周期内小于第三预设天数行驶过且行驶的终点至少有第四预设天数是位于所述限号影响车辆集合中的车辆,确定为偶发的必要性出行车辆;
将所述限行影响车辆集合和所述限号影响车辆集合中除了所述常发的规律性出行车辆和所述偶发的必要性出行车辆之外的车辆确定为杂乱的无序性出行车辆;
将所述常发的规律性出行车辆和所述偶发的必要性出行车辆确定为刚需出行车辆,将所述杂乱的无序性出行车辆确定为非刚需出行车辆。
可选的,所述处理单元402具体用于:
统计所述刚需出行车辆在预设周期内起点或终点在限行区域内的出行距离的平均值;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第一预设出行方式概率,确定出所述限行影响车辆集合中的所述刚需出行车辆的出行方式;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第二预设出行方式概率,确定出所述限号影响车辆集合中的所述刚需出行车辆的出行方式。
可选的,所述处理单元402具体用于:
将所述限行影响车辆集合和所述限号影响车辆集合中出行方式为开车出行的车辆确定为第一车辆集合;
将在预设周期内的车辆的OD数据中出现次数最多的起终点作为分析的起终点;
根据车辆的起终点,确定出多条最短路径以及各最短路径的距离和平均单车道小时流量;根据所述各最短路径的距离和平均单车道小时流量,确定各最短路径的阻抗;
根据所述各最短路径的阻抗确定各路径的选择概率;
根据所述各路径的选择概率,确定所述第一车辆集合中的绕行车辆的绕行路径;
根据所述第一车辆集合中的绕行车辆的绕行路径和车辆到路径中各节点的时刻,确定所述第一车辆集合中绕行车辆的时空特性。
可选的,所述处理单元402具体用于:
根据车辆到路径中各节点的时刻对所述第一车辆集合中的绕行车辆的绕行路径进行时空拆解,确定出各路段上的车辆数。
可选的,所述处理单元402具体用于:
针对任一路径,从所述路径中的第二个节点开始,确定出各节点的预设时间间隔;
根据各节点的预设时间间隔,将车辆到起始节点的时刻与车辆到其它节点的时刻进行对比,确定出所述路径中各路段的车辆数和单车道流量。
可选的,所述处理单元402还用于:
在对所述城市交通状态进行预测之后,获取各路段的单车道流量与时间的曲线;
将所述单车道流量与时间的曲线中大于第一单车道流量的第一时间段作为高峰小时段;
对高峰小时段进行合并,得到高峰时间段;
根据所述高峰时间段,确定处理风险路段和风险时段。
可选的,所述处理单元402具体用于:
将预设数量以上相邻的高峰小时段合并为高峰时间段;
将间隔时间小于等于预设时间阈值的两个高峰小时段合并为高峰时间段;
将合并得到的高峰时间段中小于预设时间阈值的高峰时间段进行删除,得到最终的高峰时间段。
可选的,所述处理单元402还用于:
在对所述城市交通状态进行预测之后,将所述刚需出行车辆的出行方式为公交出行的车辆确定为第二车辆集合;
将第二车辆集合中各车辆在预设周期内出行次数最多的OD数据中的起点和终点分别进行空间聚类,得到起点聚类结果和终点聚类结果;
根据每个起点区域到其它终点区域的车辆数以及从所有起点区域到任一终点区域的车辆数,得到公交出行需求的OD矩阵。
基于相同的技术构思,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述城市交通状态预测方法。
基于相同的技术构思,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述城市交通状态预测方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种城市交通状态预测方法,其特征在于,包括:
获取预设周期内的车辆的交通出行量OD数据;
根据所述预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合;
根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆以及所述刚需出行车辆的出行方式;
对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性;
根据所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,对所述城市交通状态进行预测。
2.如权利要求1所述的方法,其特征在于,所述根据所述预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合,包括:
根据区域限行时间段和所述预设周期内的车辆的OD数据,确定出所述区域限行时间段内行驶的车辆;提取出所述区域限行时间段内行驶的车辆中与限行区域有空间交集的车辆,确定出所述限行影响车辆集合;
统计所述预设周期内至少有第一预设天数在第一时间段内行驶的车辆,根据限号措施,确定出所述限号影响车辆集合。
3.如权利要求2所述的方法,其特征在于,在确定出所述限行影响车辆集合和限号影响车辆集合之后,还包括:
根据家庭拥有车辆数和违章比例对所述限号影响车辆集合进行修正;
根据所述修正后的限号影响车辆集合和所述限行影响车辆集合的交集,对所述限行车辆集合进行修正。
4.如权利要求1所述的方法,其特征在于,所述根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆,包括:
对所述限行影响车辆集合和所述限号影响车辆集合的车辆的出行链进行简化;
将预设周期内至少有第二预设天数的出行终点相同的车辆确定为常发的规律性出行车辆;
将以城市的重要兴趣点POI为中心的预设范围内的车辆中预设周期内小于第三预设天数行驶过且行驶的终点至少有第四预设天数是位于所述限号影响车辆集合中的车辆,确定为偶发的必要性出行车辆;
将所述限行影响车辆集合和所述限号影响车辆集合中除了所述常发的规律性出行车辆和所述偶发的必要性出行车辆之外的车辆确定为杂乱的无序性出行车辆;
将所述常发的规律性出行车辆和所述偶发的必要性出行车辆确定为刚需出行车辆,将所述杂乱的无序性出行车辆确定为非刚需出行车辆。
5.如权利要求1所述的方法,其特征在于,所述根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出所述刚需出行车辆的出行方式,包括:
统计所述刚需出行车辆在预设周期内起点或终点在限行区域内的出行距离的平均值;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第一预设出行方式概率,确定出所述限行影响车辆集合中的所述刚需出行车辆的出行方式;
根据所述刚需出行车辆的出行距离的平均值、所述刚需出行车辆的出行目的和第二预设出行方式概率,确定出所述限号影响车辆集合中的所述刚需出行车辆的出行方式。
6.如权利要求1所述的方法,其特征在于,所述对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,包括:
将所述限行影响车辆集合和所述限号影响车辆集合中出行方式为开车出行的车辆确定为第一车辆集合;
将在预设周期内的车辆的OD数据中出现次数最多的起终点作为分析的起终点;
根据车辆的起终点,确定出多条最短路径以及各最短路径的距离和平均单车道小时流量;根据所述各最短路径的距离和平均单车道小时流量,确定各最短路径的阻抗;
根据所述各最短路径的阻抗确定各路径的选择概率;
根据所述各路径的选择概率,确定所述第一车辆集合中的绕行车辆的绕行路径;
根据所述第一车辆集合中的绕行车辆的绕行路径和车辆到路径中各节点的时刻,确定所述第一车辆集合中绕行车辆的时空特性。
7.如权利要求6所述的方法,其特征在于,所述根据所述第一车辆集合中的绕行车辆的绕行路径和车辆到路径中各节点的时刻,确定所述第一车辆集合中绕行车辆的时空特性,包括:
根据车辆到路径中各节点的时刻对所述第一车辆集合中的绕行车辆的绕行路径进行时空拆解,确定出各路段上的车辆数。
8.如权利要求7所述的方法,其特征在于,所述根据车辆到路径中各节点的时刻对所述第一车辆集合中的绕行车辆的绕行路径进行时空拆解,确定出各路段上的车辆数和单车道流量,包括:
针对任一路径,从所述路径中的第二个节点开始,确定出各节点的预设时间间隔;
根据各节点的预设时间间隔,将车辆到起始节点的时刻与车辆到其它节点的时刻进行对比,确定出所述路径中各路段的车辆数和单车道流量。
9.如权利要求1至8任一项所述的方法,其特征在于,在对所述城市交通状态进行预测之后,还包括:
获取各路段的单车道流量与时间的曲线;
将所述单车道流量与时间的曲线中大于第一单车道流量的第一时间段作为高峰小时段;
对高峰小时段进行合并,得到高峰时间段;
根据所述高峰时间段,确定处理风险路段和风险时段。
10.如权利要求9所述的方法,其特征在于,所述对高峰小时段进行合并,得到高峰时间段,包括:
将预设数量以上相邻的高峰小时段合并为高峰时间段;
将间隔时间小于等于预设时间阈值的两个高峰小时段合并为高峰时间段;
将合并得到的高峰时间段中小于预设时间阈值的高峰时间段进行删除,得到最终的高峰时间段。
11.如权利要求1至8任一项所述的方法,其特征在于,在对所述城市交通状态进行预测之后,还包括:
将所述刚需出行车辆的出行方式为公交出行的车辆确定为第二车辆集合;
将第二车辆集合中各车辆在预设周期内出行次数最多的OD数据中的起点和终点分别进行空间聚类,得到起点聚类结果和终点聚类结果;
根据每个起点区域到其它终点区域的车辆数以及从所有起点区域到任一终点区域的车辆数,得到公交出行需求的OD矩阵。
12.一种城市交通状态预测装置,其特征在于,包括:
获取单元,用于获取预设周期内的车辆的交通出行量OD数据;
处理单元,用于根据所述预设周期内的车辆的OD数据,确定出限行影响车辆集合和限号影响车辆集合;根据所述限行影响车辆集合和所述限号影响车辆集合中的车辆,确定出刚需出行车辆以及所述刚需出行车辆的出行方式;对所述刚需出行车辆的出行方式进行分析,确定出所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性;根据所述限行影响车辆集合和所述限号影响车辆集合中绕行车辆的时空特性,对所述城市交通状态进行预测。
13.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至11任一项所述的方法。
14.一种计算机可读非易失性存储介质,其特征在于,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行如权利要求1至11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027397.8A CN109325617B (zh) | 2018-09-04 | 2018-09-04 | 一种城市交通状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027397.8A CN109325617B (zh) | 2018-09-04 | 2018-09-04 | 一种城市交通状态预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325617A true CN109325617A (zh) | 2019-02-12 |
CN109325617B CN109325617B (zh) | 2021-07-27 |
Family
ID=65264596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811027397.8A Active CN109325617B (zh) | 2018-09-04 | 2018-09-04 | 一种城市交通状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325617B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977323A (zh) * | 2019-03-13 | 2019-07-05 | 南京大学 | 一种基于电子地图的通勤数据批量采集方法 |
CN116311932A (zh) * | 2023-03-16 | 2023-06-23 | 东南大学 | 一种MaaS背景下考虑混合均衡的动态交通分配方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006195657A (ja) * | 2005-01-12 | 2006-07-27 | Sumitomo Denko Field System Kk | 交通情報提供方法及び装置 |
US20060173609A1 (en) * | 2005-02-01 | 2006-08-03 | Green Steven M | Delay banking for air traffic management |
CN103646187A (zh) * | 2013-12-27 | 2014-03-19 | 中国科学院自动化研究所 | 一种统计周期内车辆出行路线及od矩阵获取方法 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
CN107038863A (zh) * | 2017-05-17 | 2017-08-11 | 东南大学 | 一种考虑综合交通管理措施的城市道路网络广义路权计算方法 |
CN107038862A (zh) * | 2017-05-04 | 2017-08-11 | 东南大学 | 一种尾号限行条件下的交通分配修正方法 |
CN107273999A (zh) * | 2017-04-27 | 2017-10-20 | 北京交通大学 | 一种突发事件下城市轨道交通客流预测方法 |
CN108091132A (zh) * | 2016-11-22 | 2018-05-29 | 中国移动通信有限公司研究院 | 一种交通流量预测方法及装置 |
CN108399465A (zh) * | 2017-10-12 | 2018-08-14 | 东南大学 | 一种应对实施区域交通管理策略的od分配方法 |
-
2018
- 2018-09-04 CN CN201811027397.8A patent/CN109325617B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006195657A (ja) * | 2005-01-12 | 2006-07-27 | Sumitomo Denko Field System Kk | 交通情報提供方法及び装置 |
US20060173609A1 (en) * | 2005-02-01 | 2006-08-03 | Green Steven M | Delay banking for air traffic management |
CN103646187A (zh) * | 2013-12-27 | 2014-03-19 | 中国科学院自动化研究所 | 一种统计周期内车辆出行路线及od矩阵获取方法 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
CN108091132A (zh) * | 2016-11-22 | 2018-05-29 | 中国移动通信有限公司研究院 | 一种交通流量预测方法及装置 |
CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
CN107273999A (zh) * | 2017-04-27 | 2017-10-20 | 北京交通大学 | 一种突发事件下城市轨道交通客流预测方法 |
CN107038862A (zh) * | 2017-05-04 | 2017-08-11 | 东南大学 | 一种尾号限行条件下的交通分配修正方法 |
CN107038863A (zh) * | 2017-05-17 | 2017-08-11 | 东南大学 | 一种考虑综合交通管理措施的城市道路网络广义路权计算方法 |
CN108399465A (zh) * | 2017-10-12 | 2018-08-14 | 东南大学 | 一种应对实施区域交通管理策略的od分配方法 |
Non-Patent Citations (2)
Title |
---|
WENZHI WANG等: "Impact of Traffic Event Prediction Based on Time Series Prediction", 《ICCDE 2018: PROCEEDINGS OF THE 2018 INTERNATIONAL CONFERENCE ON COMPUTING AND DATA ENGINEERING》 * |
汪宏晨 等: "时段交通限行的时空动态建模与路径优化方法", 《长安大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977323A (zh) * | 2019-03-13 | 2019-07-05 | 南京大学 | 一种基于电子地图的通勤数据批量采集方法 |
CN109977323B (zh) * | 2019-03-13 | 2021-09-03 | 南京大学 | 一种基于电子地图的通勤数据批量采集方法 |
CN116311932A (zh) * | 2023-03-16 | 2023-06-23 | 东南大学 | 一种MaaS背景下考虑混合均衡的动态交通分配方法 |
CN116311932B (zh) * | 2023-03-16 | 2024-03-01 | 东南大学 | 一种MaaS背景下考虑混合均衡的动态交通分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109325617B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Review of urban transportation network design problems based on CiteSpace | |
Lin et al. | Transit signal priority control at signalized intersections: a comprehensive review | |
CN104167092B (zh) | 一种确定出租车上下客热点区域中心的方法以及装置 | |
CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN107331200A (zh) | 一种cbd地下车库停车智能引导系统、方法及装置 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN109360421B (zh) | 一种基于机器学习的交通信息预测方法及装置、电子终端 | |
Tang et al. | A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice | |
CN104809344A (zh) | 一种基于ic卡数据的公交站点区间客流估计方法 | |
CN104464344B (zh) | 一种车辆行驶路径预测方法及系统 | |
Malandri et al. | Recovery time and propagation effects of passenger transport disruptions | |
Gkiotsalitis | A model for modifying the public transport service patterns to account for the imposed COVID-19 capacity | |
CN113255979B (zh) | 城市公交线网脆弱点识别方法、装置、计算机设备及存储介质 | |
Zhou et al. | A traffic flow approach to early detection of gathering events | |
CN109325617A (zh) | 一种城市交通状态预测方法及装置 | |
CN108108859A (zh) | 一种基于大数据分析的交通管理勤务优化方法 | |
CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
Ding et al. | Routing policy choice set generation in stochastic time-dependent networks: Case studies for Stockholm, Sweden, and Singapore | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
CN108806254A (zh) | 城市交通走廊的识别方法、装置及计算机可读存储介质 | |
CN109945880A (zh) | 路径规划方法、相关设备及可读存储介质 | |
CN106652433A (zh) | 交巡警服务平台设置方法及装置 | |
CN114524004B (zh) | 机车运用统计方法、装置、设备和存储介质 | |
Moreira-Matias et al. | An online learning framework for predicting the taxi stand's profitability |
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 |