CN109461307B - 一种预估路段平均车辆流量和od需求的方法 - Google Patents
一种预估路段平均车辆流量和od需求的方法 Download PDFInfo
- Publication number
- CN109461307B CN109461307B CN201811366024.3A CN201811366024A CN109461307B CN 109461307 B CN109461307 B CN 109461307B CN 201811366024 A CN201811366024 A CN 201811366024A CN 109461307 B CN109461307 B CN 109461307B
- Authority
- CN
- China
- Prior art keywords
- path
- road section
- flow
- shortest
- node
- 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 31
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000013439 planning Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种预估路段平均车辆流量和OD需求的方法,包括计算机,计算机输入城市交通网络,通过对出行者择路行为路径的相关参数进行拟合,预先对交通路网变化下的交通流量变化进行预估;本发明对每个OD之间的路径集进行了大量的筛选,计算速度较快,准确度较高,应用场景广泛,该方法得到的预估OD需求和Logit模型参数可用于各种交通规划设计的评估。
Description
技术领域
本发明属于交通管理技术领域,特别是涉及一种预估路段平均车辆流量和OD需求的方法。
背景技术
现有只能单独预估路段流量或者OD需求。OD需求预估方法,有两种方法,一是通过拟合流量分配函数,二是求解OD矩阵预估的后验分布。获得路段流量的方法主要通过直接测量,一是直接通过测量流量的装置,二是通过监控视频实时分析,无法得到设备非覆盖区域的流量数据。通过历史数据构建基于时空关系的预测流量模型,一般用于短时的流量预测,随着时间的增长,流量预测准确度下降的非常快。
1.只能单独对路段流量或者OD需求进行预估。
2.由于交通路网变化带来的交通流量变化很难预估和防患于未然。
因此,有必要发明一种预估路段平均车辆流量和OD需求的方法。
发明内容
本发明所要解决的技术问题是:提出一种预估路段平均车辆流量和OD需求的方法,通过对出行者择路行为相关的参数进行拟合,也能够预先对交通路网变化下的交通流量变化进行预估。
本发明采用的技术方案是:
包括计算机,所述计算机输入城市交通网络,通过对出行者择路行为路径的相关参数进行拟合,预先对交通路网变化下的交通流量变化进行预估;
所述预估路段平均车辆流量和OD需求的方法,如下步骤:
S10.分析交通网络,通过K最短路径算法和合理路径筛选,得到每个OD之间的路径集;
S20.输入已知各个路段的平均旅行时间、已知路段的流量数据、已知OD对之间的需求数据、已知节点总需求数据、已知实时节点人口数据,求得各个路段平均旅行时间,平均流量;
S30.通过采用基于Logit模型的交通网络参数同步预估模型,对交通网络参数进行预估,同时也对OD需求和路段流量进行预估;
S40.输出交通网络参数、OD需求和路段流量。
进一步方案为,所述S10步骤中,OD对(r,s)(即以节点r为起点,节点s为终点)之间路径集的过程如下:
S11.利用Dijkstra最短路径算法找到OD对(r,s)之间当前最短路径P0=(r,v1,...,vn,s),加入K最短路径集中,设k=1;
S12.沿着当前最短路径Pk-1,检查各个节点,记检查节点为vl,已检查路径为假设存在以vl为起点,v′l为终点的路段,将路段(vl,v′l)和K最短路径集中以vl为起点的路段从交通路网中删除,然后找到以v′l为起点、原终点s为终点的最短路径将路径加入候选路径集中;
S13.从候选路径集中选出最短的候选路径Pk,加入K最短路径集;
S14.将最短的候选路径设置为当前最短路径,恢复路网,返回S12,直到k=K,即找到第K条最短路径;
S15.从K最短路径集中,将不满足合理路径原则的路径删除,即沿着合理路径,出行者将离起点越来越远,离终点越来越近,即对路径P=(v0,v1,...,vN),满足R(vn)为起点r到节点vn的最短距离,S(vn)为节点vn到终点s的最短距离。
进一步方案为,所述S20步骤中,路段旅行时间数据和节点人口数据要求覆盖全部路段和节点,路段流量数据、OD需求数据和节点总需求数据不要求覆盖全部路段和节点。
进一步方案为,所述S30步骤中,网络参数同步估计模型,得到OD需求和路段流量的过程如下:
S31.通过实时节点人口数据,预估节点总需求;
S32.通过节点总需求,预估OD需求;
其中,qrs为OD对(r,s)之间的需求,βrs为OD对(r,s)之间的需求占节点总需求的比率;
S33.通过OD需求数据和路段旅行时间数据,根据Logit模型,将需求分配到各个路径上,得到预估的路段流量,如下公式所示:
qrsOD对(r,s)之间的需求;
S36.重复上述步骤S31到S35,直到满足收敛性条件,得到流量分配模型中的各个参数、OD需求和路段流量;
进一步方案为,所述流量分配模型,即Logit模型,考虑各种影响择路行为的因素,为旅行时间、距离和/或拥堵收费。
本发明实施例提供的技术方案带来的有益效果是:本方法是交通网络配流模型的实践与应用,能够通过对出行者择路行为相关的参数进行拟合,也能够预先对交通路网变化下的交通流量变化进行预估;
1、计算速度较快,本发明通过K最短路径算法和合理路径原则,对城市交通网络进行分析,对每个OD之间的路径集进行了大量的筛选。
2、准确度较高,在有训练样本的路段,平均流量的预估结果误差在10%以内,在无训练样本路段,平均流量的预估误差也可达到16%以内。
3、应用场景广泛,该方法得到的预估OD需求和Logit模型参数可用于各种交通规划设计的评估。
附图说明:
图1为本发明预估路段平均车辆流量和OD需求的方法流程示意图;
图2为本发明基于Logit模型的交通网络参数同步预估模型流程示意图;
图3本发明的城市主干道路网示意图。
具体实施方式
为了更充分理解本发明的技术内容,下面结合附图和具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
参见图1至图3所示,一种预估路段平均车辆流量和OD需求的方法,包括计算机,计算机输入城市交通网络,得出城市主干道路网,通过对出行者择路行为路径的相关参数进行拟合,预先对交通路网变化下的交通流量变化进行预估;
预估路段平均车辆流量和OD需求的方法,如下步骤:
S10.分析交通网络,通过K最短路径算法和合理路径筛选,得到每个OD之间的路径集;
S20.输入已知各个路段的平均旅行时间、已知路段的流量数据、已知OD对之间的需求数据、已知节点总需求数据、已知实时节点人口数据,求得各个路段平均旅行时间,平均流量;
S30.通过采用基于Logit模型的交通网络参数同步预估模型,对交通网络参数进行预估,同时也对OD需求和路段流量进行预估;
S40.输出交通网络参数、OD需求和路段流量。
在本发明实施例中,该预估路段平均车辆流量和OD需求的方法,包括如下步骤:
步骤S10,如图3所示的城市主干道路网,输入城市交通网络数据。选择合适的K值,分析各个OD之间的所有路径,通过K最短路径算法和合理路径筛选,得到每个OD之间的路径集;
步骤S11,对OD对(r,s),利用Dijkstra最短路径算法找到当前最短路径P0=(r,v1,...,vn,s),加入K最短路径集中,设k=1;
步骤S12,沿着当前最短路径Pk-1,检查各个节点,记检查节点为vl,已检查路径为假设存在以vl为起点,v′l为终点的路段,将路段(vl,v′l)和K最短路径集中以vl为起点的路段从交通路网中删除,然后找到以v′l为起点、原终点s为终点的最短路径将加入候选路径集中;
步骤S13,从候选路径集中选出最短的候选路径Pk,加入K最短路径集;
步骤S14,将最短的候选路径设置为当前最短路径,恢复路网,即恢复步骤12中删除的路段,返回S12,直到找到第K条最短路径;
步骤S15,从K最短路径集中,将不满足合理路径原则的路径删除,即沿着合理路径,出行者将离起点越来越远,离终点越来越近。
步骤S20,输入各个路段历史旅行时间、已知路段的流量数据、已知OD对之间的需求数据、已知节点总需求数据、已知实时节点人口数据。求得各个路段平均旅行时间,平均流量。
步骤S30,如图2所示的基于Logit模型的交通网络参数同步预估模型流程图,对网络均衡模型,即Logit模型中的参数进行预估,同时也对OD需求和路段流量进行预估。基于Logit模型的交通网络参数同步预估模型,包括如下步骤:
步骤S31,通过实时节点人口数据,预估节点总需求。
步骤S32,通过节点总需求,预估OD需求,
步骤S33,通过预估的OD需求和路段旅行时间数据,根据Logit模型,将需求分配到各个路径上,得到预估的路段流量。
步骤S34,更新各参数。重复上述步骤S31到S33,直到满足收敛性条件,得到流量分配模型中的各个参数、OD需求和路段流量。
表1为部分路段流量预估结果,如下:
表1
可以看到,在有训练样本的路段(如路段3、4和232),平均流量的预估结果误差在10%以内,在无训练样本路段(如路段7和233),平均流量的预估误差也可达到16%以内。本发明的预估准确度较高。
步骤S40,输出交通网络参数、OD需求和路段流量。
本发明是交通网络配流模型的实践与应用,能够通过对出行者择路行为相关的参数进行拟合,也能够预先对交通路网变化下的交通流量变化进行预估;
1、计算速度较快,本发明通过K最短路径算法和合理路径原则,对城市交通网络进行分析,对每个OD之间的路径集进行了大量的筛选。
2、准确度较高,在有训练样本的路段,平均流量的预估结果误差在10%以内,在无训练样本路段,平均流量的预估误差也可达到16%以内。
3、应用场景广泛,该方法得到的预估OD需求和Logit模型参数可用于各种交通规划设计的评估。
以上所述仅为本专利优选实施方式,并非限制本专利范围,凡是利用说明书及附图内容所作的等效结构或等效流程变换,直接或间接运用在其它相关的技术领域,均属于本专利保护范围。
Claims (4)
1.一种预估路段平均车辆流量和OD需求的方法,其特征在于:包括计算机,所述计算机输入城市交通网络,通过对出行者择路行为路径的相关参数进行拟合,预先对交通路网变化下的交通流量变化进行预估;
所述预估路段平均车辆流量和OD需求的方法,如下步骤:
S10.分析交通网络,通过K最短路径算法和合理路径筛选,得到每个OD对之间的路径集;
S20.输入已知各个路段历史旅行时间、已知路段的流量数据、已知OD对之间的需求数据、已知节点总需求数据、已知实时节点人口数据,求得各个路段平均旅行时间,平均流量;
S30.通过采用基于Logit模型的交通网络参数同步预估模型,对交通网络参数进行预估,同时也对OD需求和路段流量进行预估;
S40.输出交通网络参数、OD需求和路段流量。
2.如权利要求1所述的预估路段平均车辆流量和OD需求的方法,其特征在于:所述S10步骤中,得到OD对(r,s)(即以节点r为起点,节点s为终点)之间路径集的过程如下:
S11.利用Dijkstra最短路径算法找到OD对(r,s)之间当前最短路径P0=(r,v1...,vn,s),加入K最短路径集中,设k=1;
S12.沿着当前最短路径Pk-1,检查各个节点,记检查节点为vl,已检查路径为假设存在以vl为起点,vl为终点的路段,将路段(vl,vl′)和K最短路径集中以vl为起点的路段从交通路网中删除,然后找到以vl′为起点、原终点s为终点的最短路径将路径加入候选路径集中;
S13.从候选路径集中选出最短的候选路径Pk,加入K最短路径集;
S14.将最短的候选路径设置为当前最短路径,恢复路网,返回S12,直到k=K,即找到第K条最短路径;
3.如权利要求1所述的预估路段平均车辆流量和OD需求的方法,其特征在于:所述S20步骤中,已知各个路段历史旅行时间和已知实时节点人口数据要求覆盖全部路段和节点,已知路段的流量数据、已知OD对之间的需求数据和已知节点总需求数据不要求覆盖全部路段和节点。
4.如权利要求1所述的预估路段平均车辆流量和OD需求的方法,其特征在于:所述Logit模型,考虑各种影响择路行为的因素,为旅行时间、距离和/或拥堵收费。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366024.3A CN109461307B (zh) | 2018-11-16 | 2018-11-16 | 一种预估路段平均车辆流量和od需求的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366024.3A CN109461307B (zh) | 2018-11-16 | 2018-11-16 | 一种预估路段平均车辆流量和od需求的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109461307A CN109461307A (zh) | 2019-03-12 |
CN109461307B true CN109461307B (zh) | 2021-09-24 |
Family
ID=65610620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811366024.3A Active CN109461307B (zh) | 2018-11-16 | 2018-11-16 | 一种预估路段平均车辆流量和od需求的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461307B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111063189B (zh) * | 2019-11-05 | 2022-05-03 | 阿里巴巴集团控股有限公司 | 一种车流量的处理方法、装置、及电子设备 |
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 |
CN112562325B (zh) * | 2020-11-26 | 2021-11-02 | 东南大学 | 基于块坐标下降的大规模城市交通网络流量监测方法 |
CN113449402B (zh) * | 2021-06-22 | 2022-08-05 | 武汉大学 | 一种断头路打通后路网效率增益预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11296782A (ja) * | 1998-04-13 | 1999-10-29 | Matsushita Electric Ind Co Ltd | Od交通量算出装置 |
CN102289932A (zh) * | 2011-06-17 | 2011-12-21 | 同济大学 | 基于车辆自动识别设备的动态od矩阵估计方法 |
CN102609781A (zh) * | 2011-12-15 | 2012-07-25 | 东南大学 | 一种基于od更新的公路交通预测系统及方法 |
CN103870890A (zh) * | 2014-03-19 | 2014-06-18 | 四川大学 | 高速公路网交通流量分布的预测方法 |
CN103914976A (zh) * | 2014-03-28 | 2014-07-09 | 北方工业大学 | 一种面向异质用户的系统最优交通分配模型及分配方法 |
US9292800B2 (en) * | 2012-11-09 | 2016-03-22 | International Business Machines Corporation | Statistical estimation of origin and destination points of trip using plurality of types of data sources |
CN107256632A (zh) * | 2017-08-11 | 2017-10-17 | 上海交通大学 | 一种基于用户异质时间价值与拥堵费用预算的交通分配方法 |
CN107705558A (zh) * | 2017-09-15 | 2018-02-16 | 东南大学 | 一种多数据类型的贝叶斯od矩阵估计方法 |
CN108647837A (zh) * | 2018-06-12 | 2018-10-12 | 东南大学 | 考虑出行者路径选择惰性的网络交通流预测方法 |
CN108765944A (zh) * | 2018-05-30 | 2018-11-06 | 东南大学 | 基于多重路径集的最优交通流预测方法与拥挤收费方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10395183B2 (en) * | 2016-03-15 | 2019-08-27 | Nec Corporation | Real-time filtering of digital data sources for traffic control centers |
-
2018
- 2018-11-16 CN CN201811366024.3A patent/CN109461307B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11296782A (ja) * | 1998-04-13 | 1999-10-29 | Matsushita Electric Ind Co Ltd | Od交通量算出装置 |
CN102289932A (zh) * | 2011-06-17 | 2011-12-21 | 同济大学 | 基于车辆自动识别设备的动态od矩阵估计方法 |
CN102609781A (zh) * | 2011-12-15 | 2012-07-25 | 东南大学 | 一种基于od更新的公路交通预测系统及方法 |
US9292800B2 (en) * | 2012-11-09 | 2016-03-22 | International Business Machines Corporation | Statistical estimation of origin and destination points of trip using plurality of types of data sources |
CN103870890A (zh) * | 2014-03-19 | 2014-06-18 | 四川大学 | 高速公路网交通流量分布的预测方法 |
CN103914976A (zh) * | 2014-03-28 | 2014-07-09 | 北方工业大学 | 一种面向异质用户的系统最优交通分配模型及分配方法 |
CN107256632A (zh) * | 2017-08-11 | 2017-10-17 | 上海交通大学 | 一种基于用户异质时间价值与拥堵费用预算的交通分配方法 |
CN107705558A (zh) * | 2017-09-15 | 2018-02-16 | 东南大学 | 一种多数据类型的贝叶斯od矩阵估计方法 |
CN108765944A (zh) * | 2018-05-30 | 2018-11-06 | 东南大学 | 基于多重路径集的最优交通流预测方法与拥挤收费方法 |
CN108647837A (zh) * | 2018-06-12 | 2018-10-12 | 东南大学 | 考虑出行者路径选择惰性的网络交通流预测方法 |
Non-Patent Citations (4)
Title |
---|
Dynamic Core VNT Adaptability Based on Predictive Metro-Flow Traffic Models;F. Morales 等;《Journal of Optical Communications and Networking》;20171231(第12期);第1202-1211页 * |
一种基于最短路博弈分配的交通配流新算法;肖海燕 等;《华南师范大学学报(自然科学版)》;20090228(第1期);第34-38页 * |
关于城市外环线道路交通流量预测中生成OD矩阵的方法研究;陈宽民 等;《中国公路学报》;20030430;第16卷(第2期);第95-98页 * |
考虑随机性的若干交通网络均衡模型的研究;严晨洋;《中国博士学位论文全文数据库 工程科技II辑》;20181015(第10期);C034-22 * |
Also Published As
Publication number | Publication date |
---|---|
CN109461307A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461307B (zh) | 一种预估路段平均车辆流量和od需求的方法 | |
Wie et al. | Dynamic user optimal traffic assignment on congested multidestination networks | |
Lu et al. | Dynamic origin–destination demand flow estimation under congested traffic conditions | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
US8606727B2 (en) | Method and system for traffic prediction based on space-time relation | |
CN111145536B (zh) | 一种基于异常检测的道路网络脆性评价方法 | |
CN106251642B (zh) | 一种基于实时公交车gps数据的公交路链速度计算方法 | |
Wunderlich et al. | Link travel time prediction for decentralized route guidance architectures | |
CN110245377B (zh) | 一种出行方案推荐方法及推荐系统 | |
CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
Sun et al. | Reliability-based traffic network design with advanced traveler information systems | |
Ameli et al. | Improving traffic network performance with road banning strategy: A simulation approach comparing user equilibrium and system optimum | |
Waddell et al. | Utilizing low-ping frequency vehicle trajectory data to characterize delay at traffic signals | |
Zambrano et al. | Using real traffic data for its simulation: Procedure and validation | |
CN109887280B (zh) | 一种交通网络节点关键度评估方法 | |
CN113609240B (zh) | 基于海量卡口数据的车辆出行轨迹重构方法 | |
Fakhrmoosavi et al. | An iterative learning approach for network contraction: Path finding problem in stochastic time‐varying networks | |
Bellocchi et al. | Dynamical efficiency for multimodal time-varying transportation networks | |
Xie et al. | An excess-demand dynamic traffic assignment approach for inferring origin-destination trip matrices | |
CN112351394A (zh) | 一种基于手机信令数据的交通出行模型构建方法 | |
Abareshi et al. | Origin-destination matrix estimation problem in a Markov chain approach | |
Padrón et al. | Realistic traffic model for urban environments based on induction loop data | |
Yang et al. | Quality evaluation of vehicle navigation with cyber physical systems | |
Ásmundsdóttir | Dynamic OD matrix estimation using floating car data | |
JP3975004B2 (ja) | 交通流データ予測装置および交通流データ予測方法 |
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 |