CN109544932B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109544932B CN109544932B CN201811551980.9A CN201811551980A CN109544932B CN 109544932 B CN109544932 B CN 109544932B CN 201811551980 A CN201811551980 A CN 201811551980A CN 109544932 B CN109544932 B CN 109544932B
- Authority
- CN
- China
- Prior art keywords
- road
- data
- taxi
- flow
- road network
- 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
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- 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
Abstract
本发明公开了一种基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,包括如下步骤:(1)出租车GPS轨迹数据映射;(2)出租车速度特征提取;(3)路网特征统计;(4)路段之间相似性分析;(5)估计模型建立;(6)流量估计模型选择;(7)建立基于支持向量机的流量估计模型。本发明能够通过部分路段的准确卡口数据监督和训练出租车GPS数据,从而获取准确城市路网交通量。
Description
技术领域
本发明涉及城市交通大数据技术领域,尤其是一种基于出租车GPS数据与卡口数据融合的城市路网流量估计方法。
背景技术
城市路网流量是提高城市交通控制,缓解城市交通拥堵,减少排放的基础。城市路网流量获取方式主要通过地感线圈检测器等进行监测,而城市路网监测设备主要布设在主干路与次干路中,进而不能获取全部城市路网中的流量。
目前,固定检测器(例如固定线圈、摄像头、卡口车牌识别等)和移动检测器(浮动车GPS、手机等)是路段交通数据主要的采集方式。然而,路网中的固定检测器受到交通设施建设成本的限制,检测器的规模一般都受到控制,往往只布设在重要交叉口或者主干道上;另外,由于检测器设备或者传输设备的硬件故障,部分有检测器的路段也会出现数据丢失的情况。而移动检测器中的GPS设备只能安装在路网中的部分移动目标上,仅获取路网中的部分样本量。这样,在实际的智能交通系统中,存在着许多无检测器或者无稳定检测器的路段,应用不经过处理的数据很难获取路网整体的运行信息,会给各种交通应用带来诸多问题。
由于出租车的运行特征具有一定的特殊性,与实际路网中的车辆存在差异性,其部分流量数据并不能反映真实的路网运行状态。相反,卡口数据具有高准确性的特点。然而,由于卡口点位布设费用昂贵,存在点位较少,只能观测部分特定路段的交通状态。综上,结合两者的优缺点,可综合利用出租车数据与卡口数据进行分析。
发明内容
本发明所要解决的技术问题在于,提供一种基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,能够通过部分路段的准确卡口数据监督和训练出租车GPS数据,从而获取准确城市路网交通量。
为解决上述技术问题,本发明提供一种基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,包括如下步骤:
(1)出租车GPS轨迹数据映射;采用线性插值方法对路网坐标进行填充,并将出租车GPS轨迹数据映射到城市路网中,分析出租车行驶轨迹;
(2)出租车速度特征提取;计算前后相邻两个出租车GPS轨迹点的平均速度,并通过总平均速度来确定行驶在目标路段下出租车的平均速度,并统计每辆行驶在目标路段下速度落在各速度区间中的统计值,以此作为变量特征进行流量估计;
(3)路网特征统计;对路网中卡口所检测到数据进行统计,并将路网中所有路段的道路等级与POI特征进行统计,作为变量输入特征;
(4)路段之间相似性分析;将路网中的所有研究路段看作是节点,并将其中有真实流量路段L与未有真实路段U分别进行标记,总的路网节点记为V=L∪U,通过将所有L与U之间进行连接,并通过计算权重来分析L与U之间的权重系数,判断各条路段之间的相似性;
(5)估计模型建立;通过建立支持向量机模型,估计未知路段中的流量;
(6)流量估计模型选择;基于支持向量机训练具有卡口数据的路段交通量预测模型组;
(7)建立基于支持向量机的流量估计模型。
优选的,优选的,步骤(1)中,采用线性插值方法对路网坐标进行填充,并将出租车GPS轨迹数据映射到城市路网中,分析出租车行驶轨迹,具体包括如下步骤:
(11)依据GIS地图坐标系中,在路网中单个路段中选取两个关键位置点(x1,y1)(x2,y2),并将两个关键点之间的子坐标(xi,yi)的经纬度,按照以每隔50米的方式进行插值,具体方法如下:
xi=aix1+(1-ai)x2
yi=aiy1+(1-ai)y2
其中,xi为关键位置i的经度;yi为关键位置i的纬度;ai为插值参数,0≤ai≤1;k为插值精度,单位:米;R为地球半径,单位:米;
(12)将出租车GPS轨迹映射在地图上;其中,根据步骤(11)的路网打点信息,以各个子坐标为圆心,向周边以25m为半径进行扩展;如果出租车落在该子区域,则子坐标中心点的位置被视为出租车的一个GPS轨迹点。
优选的,步骤(2)中,计算前后相邻两个出租车GPS轨迹点的平均速度,并通过总平均速度来确定行驶在目标路段下出租车的平均速度,并统计每辆行驶在目标路段下速度落在各速度区间中的统计值,以此作为变量特征进行流量估计,具体包括如下步骤:
(21)出租车点速度计算;对于前后两点之间的速度
(22)对以个出租车用户平均行程速度作为特征进行分类;计算数据集内所有用户的全天平均速度;绘制特征表,将速度量化为n个等级;以5分钟作为时间间隔对各速度等级用户数量进行统计。
优选的,步骤(3)中,对路网中卡口所检测到数据进行统计,并将路网中所有路段的道路等级与POI特征进行统计,作为变量输入特征,具体包括如下步骤:
(31)以5分钟为单位,统计各个路段中LPR流量;
(32)统计各个路段周边范围内的各POI种类的个数;其中,POI的种类主要包括商场、学校、医院、办公楼、其他共5类。
优选的,步骤(4)中,将路网中的所有研究路段看作是节点,并将其中有真实流量路段L与未有真实路段U分别进行标记,总的路网节点记为V=L∪U,通过将所有L与U之间进行连接,并通过计算权重来分析L与U之间的权重系数,判断各条路段之间的相似性,具体为:图论模型建立,将所提取的变量特征输入图论模型中,分析同一特征之间的方差,不同特征值之间的相关性,
|Δxu,v|=|xu-xv|
|Δfi(u,v)|=|fi(u)-fi(v)|
其中,xu表示真实路段流量值,xv表示未知路段流量值,fi(u)表示真实路段u集合中第i个特征,fi(v)表示未知路段集合v中的第i个特征,Δxu,v表示已知流量路段u与未知流量路段v之间的流量差值,Δfi(u,v)表示知流量路段u与未知流量路段v之间的第i个特征差值,au,v表示两种类型路段之间相似性权重值,Ls表示反映两种类型路段差异的情况,当该值最小时,所估计的未知路段u的流量值最接近真实值。
求在保证找到最相似路段的条件下,寻找与连接未知路段节点的各边权重最小值。
优选的,步骤(5)中,通过建立模型,估计未知路段中的流量具体为:
将其转换为对偶问题可表示为:
所选用的核函数为线性核函数,即为K(x,xi)=xTxi,
其中,ω表示各个特征的权重类型,c表示特征个数,ζi表示第i个特征的随机扰动项,xi,xj表示第i个与第j个路段的特征值,yi,yj表示第i个与第j个路段的流量值,x表示目标路段的估计值。
优选的,步骤(6)中,基于支持向量机训练具有卡口数据的路段交通量预测模型组,具体包括如下步骤:
(61)划分训练集与测试集;
(62)基于支持向量机对出租车GPS数据所提取特征进行监督学习;
(63)选取未设置卡口的待预测路段的出租车数据,按照与步骤(4)、(5)同样的方式处理,获取统计后未获得卡口数据所在路段的出租车GPS数据特征;
(64)依据步骤(6)中总偏差平方和最小原则进行排序,得到与未设置卡口的待预测路段最接近的K个路段;
(65)选取所述步骤(6)得到的k个路段对应的路段交通量预测模型,对未设置卡口的待预测路段进行预测并进行加权,得到未知流量路段的交通量。
本发明的有益效果为:本发明的基于出租车GPS数据与卡口数据的城市路网流量获取方法,融入多源数据融合思想对各类数据源进行优势互补;将易获取、数据量多的出租车GPS数据与获取准确流量的卡口数据进行融合,解决了出租车GPS数据样本量少与卡口数据布设点位少的缺陷;其中,将路网中所有路段近似看成“标记”与“未标记”路段节点,通过图论分析来寻找两者之间的相似性,并通过卡口数据与出租车GPS数据来建立支持向量机估计模型,并将其应用到与之相似的未知真实路段进行流量估计;目前应用出租车GPS数据在交通领域进行流量分析,主要依据出租车运行速度来进行交通状态估计后,并不能得到一个准确的流量值,在密集的城市路网进行准确交通状态评估尚未得到应用,本发明的城市路网流量获取方法,是出租车GPS数据用于定量计算城市路网交通参数的创新性应用。
附图说明
图1是本发明的线性插值示意图。
图2是本发明的出租车地图匹配与速度计算示意图。
具体实施方式
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,包括如下步骤:
(1)出租车GPS轨迹数据映射;采用线性插值方法对路网坐标进行填充,并将出租车GPS轨迹数据映射到城市路网中,分析出租车行驶轨迹;
(2)出租车速度特征提取;计算前后相邻两个出租车GPS轨迹点的平均速度,并通过总平均速度来确定行驶在目标路段下出租车的平均速度,并统计每辆行驶在目标路段下速度落在各速度区间中的统计值,以此作为变量特征进行流量估计;
(3)路网特征统计;对路网中卡口所检测到数据进行统计,并将路网中所有路段的道路等级与POI特征进行统计,作为变量输入特征;
(4)路段之间相似性分析;将路网中的所有研究路段看作是节点,并将其中有真实流量路段L与未有真实路段U分别进行标记,总的路网节点记为V=L∪U,通过将所有L与U之间进行连接,并通过计算权重来分析L与U之间的权重系数,判断各条路段之间的相似性;
(5)估计模型建立;通过建立支持向量机模型,估计未知路段中的流量;
(6)流量估计模型选择;基于支持向量机训练具有卡口数据的路段交通量预测模型组;
(7)建立基于支持向量机的流量估计模型。
步骤一:路网打点;
获取研究路网关键位置经纬度坐标,采用线性插值方法以所需精度对路网坐标进行填充;若对路网采用人工打点方式,一旦打点精度发生改变,或加入新路段,工作量将呈指数增长。本发明以图1为例,关键位置指路网中转折处或路段交叉处,对任意两个关键位置所确定的路段,采用线性插值方法以所需精度对路段坐标进行填充,得到插值点经纬度坐标。
步骤二:出租车GPS数据与卡口数据采集;
数据采集于2016年10月的南京新街口五公里路网范围内所有的出租车GPS数据与卡口数据。其中,出租车GPS数据的标签字段主要有出租车牌照、时间戳、经度、纬度、是否载客;而卡口数据的数据标签主要是记录车辆经过检测断面的时间,车牌号,车道编号,车牌颜色,车速等信息,两类数据的具体标签类型如表1和表2所示:
表1出租车GPS数据格式
表2卡口数据格式
步骤三:流量数据提取
(1)提取研究路网范围内存在卡口的路段,由于卡口检测器能够准确检测到的路段流量,将卡口所在路段的所获取的流量即视为路段真实流量,并以每5分钟时间间隔进行交通量的统计;
(2)将出租车GPS数据映射到城市路网后,如图2所示;选定经纬度落在上述路段指定精度范围内的数据。以每个出租车用户为单位进行统计单位时间内出现在各个路段中出租车的流量,其中以每5分钟进行流量的筛选。
步骤四:出租车速度特征提取;
(1)出租车速度计算
计算前后相邻两个出租车GPS轨迹点的平均速度,并通过总平均速度来确定行驶在目标路段下出租车的平均速度,如下:
(2)速度特征选定
通过以路段为单位对路段中各个时段下所有出租车的运行速度进行统计。将所有出租车在该路段中的平均运行速度进行分段统计。其中,划分为几个速度等级进行计算,分别为0-10km/h的速度等级为1,10-20km/h的速度等级记为2,20-30km/h的速度等级记为3;
(3)绘制速度特征表
(31)计算数据集内所有用户的全天平均速度;
(32)将速度量化为n个等级;
(33)以5分钟作为时间间隔对各速度等级用户数量进行聚合;
(34)绘制速度特征表,本实施例所选流量数据速度特征格式如下:
步骤五:路网特征提取;
需要对路网中卡口所检测到数据进行统计,并将路网中所有路段的道路等级与POI特征进行统计,作为变量输入特征,具体流程如下:
(1)以5分钟为单位,统计各个路段中LPR流量;
(2)统计各个路段周边范围内的各POI种类的个数。其中,POI的种类主要包括商场,学校,医院,办公楼,其他共5类。
步骤六:基于图论的路段相似性分析;
(1)将路网中的所有研究路段看作是节点,并将其中有真实流量路段L与未有真实路段U分别进行标记,总的路网节点记为V=L∪U,通过将所有L与U之间进行连接,并通过计算权重来分析L与U之间的权重系数,判断各条路段之间的相似性。将所提取的变量特征输入图论模型中,分析同一特征之间的方差,不同特征值之间的相关性,具体步骤如下:
|Δxu,v=|xu-xv|
|Δfi(u,v)|=|fi(u)-fi(v)|
其中,au,v表示图论中连接边的权重系数,Ls表示与未知路段连接边的差异总值;
其中,xu表示真实路段流量值,xv表示未知路段流量值,fi(u)表示真实路段u集合中第i个特征,fi(v)表示未知路段集合v中的第i个特征,Δxu,v表示已知流量路段u与未知流量路段v之间的流量差值,Δfi(u,v)表示知流量路段u与未知流量路段v之间的第i个特征差值,au,v表示两种类型路段之间相似性权重值,Ls表示反映两种类型路段差异的情况,当该值最小时,所估计的未知路段u的流量值最接近真实值。
步骤七:建立基于支持向量机的流量估计模型;
(1)在n个特征变量中随机选择m个特征变量;从m个特征变量中选择最佳的变量j和切分点s得到θr(j,s);
本发明的基于出租车GPS数据与卡口数据的城市路网流量获取方法,融入多源数据融合思想对各类数据源进行优势互补;将易获取、数据量多的出租车GPS数据与获取准确流量的卡口数据进行融合,解决了出租车GPS数据样本量少与卡口数据布设点位少的缺陷;其中,将路网中所有路段近似看成“标记”与“未标记”路段节点,通过图论分析来寻找两者之间的相似性,并通过卡口数据与出租车GPS数据来建立支持向量机估计模型,并将其应用到与之相似的未知真实路段进行流量估计;目前应用出租车GPS数据在交通领域进行流量分析,主要依据出租车运行速度来进行交通状态估计后,并不能得到一个准确的流量值,在密集的城市路网进行准确交通状态评估尚未得到应用,本发明的城市路网流量获取方法,是出租车GPS数据用于定量计算城市路网交通参数的创新性应用。
Claims (5)
1.一种基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,其特征在于,包括如下步骤:
(1)出租车GPS轨迹数据映射;采用线性插值方法对路网坐标进行填充,并将出租车GPS轨迹数据映射到城市路网中,分析出租车行驶轨迹;
(2)出租车速度特征提取;计算前后相邻两个出租车GPS轨迹点的平均速度,并通过总平均速度来确定行驶在目标路段下出租车的平均速度,并统计每辆行驶在目标路段下速度落在各速度区间中的统计值,以此作为变量特征进行流量估计;
(3)路网特征统计;对路网中卡口所检测到数据进行统计,并将路网中所有路段的道路等级与POI特征进行统计,作为变量输入特征;
(4)路段之间相似性分析;将路网中的所有研究路段看作是节点,并将其中有真实流量路段L与未有真实路段U分别进行标记,总的路网节点记为V=L∪U,通过将所有L与U之间进行连接,并通过计算权重来分析L与U之间的权重系数,判断各条路段之间的相似性;
(5)估计模型建立;通过建立支持向量机模型,估计未知路段中的流量;通过建立支持向量机模型,估计未知路段中的流量具体为:
对应的对偶问题为:
其中,所选用的核函数为线性核函数,即为K(x,xi)=xTxi;
其中,ω表示各个特征的权重类型,c表示特征个数,ζi表示第i个特征的随机扰动项,xi,xj表示第i个与第j个路段的特征值,yi,yj表示第i个与第j个路段的流量值,x表示目标路段的估计值;
(6)流量估计模型选择;基于支持向量机训练具有卡口数据的路段交通量预测模型组;基于支持向量机训练具有卡口数据的路段交通量预测模型组,具体包括如下步骤:
(61)划分训练集与测试集;
(62)基于支持向量机对出租车GPS数据所提取特征进行监督学习;
(63)选取未设置卡口的待预测路段的出租车数据,按照与步骤(4)、(5)同样的方式处理,获取统计后未获得卡口数据所在路段的出租车GPS数据特征;
(64)依据步骤(6)中总偏差平方和最小原则进行排序,得到与未设置卡口的待预测路段最接近的K个路段;
(65)选取所述步骤(6)得到的k个路段对应的路段交通量预测模型,对未设置卡口的待预测路段进行预测并进行加权,得到未知流量路段的交通量;
(7)建立基于支持向量机的流量估计模型。
2.如权利要求1所述的基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,其特征在于,步骤(1)中,采用线性插值方法对路网坐标进行填充,并将出租车GPS轨迹数据映射到城市路网中,分析出租车行驶轨迹,具体包括如下步骤:
(11)依据GIS地图坐标系中,在路网中单个路段中选取两个关键位置点(x1,y1)(x2,y2),并将两个关键点之间的子坐标(xi,yi)的经纬度,按照以每隔50米的方式进行插值,具体方法如下:
xi=aix1+(1-ai)x2
yi=aiy1+(1-ai)y2
其中,xi为关键位置i的经度;yi为关键位置i的纬度;ai为插值参数,0≤ai≤1;ki为插值精度,单位:米;R为地球半径,单位:米;
(12)将出租车GPS轨迹映射在地图上;其中,根据步骤(11)的路网打点信息,以各个子坐标为圆心,向周边以25m为半径进行扩展;如果出租车落在该子区域,则子坐标中心点的位置被视为出租车的一个GPS轨迹点。
3.如权利要求1所述的基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,其特征在于,步骤(2)中,计算前后相邻两个出租车GPS轨迹点的平均速度,并通过总平均速度来确定行驶在目标路段下出租车的平均速度,并统计每辆行驶在目标路段下速度落在各速度区间中的统计值,以此作为变量特征进行流量估计,具体包括如下步骤:
(21)出租车点速度计算;对于前后两点之间的速度
(22)对各出租车用户平均行程速度作为特征进行分类;计算数据集内所有用户的全天平均速度;绘制特征表,将速度量化为n个等级;以5分钟作为时间间隔对各速度等级用户数量进行统计。
4.如权利要求1所述的基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,其特征在于,步骤(3)中,对路网中卡口所检测到数据进行统计,并将路网中所有路段的道路等级与POI特征进行统计,作为变量输入特征,具体包括如下步骤:
(31)以5分钟为单位,统计各个路段中LPR流量;
(32)统计各个路段周边范围内的各POI种类的个数;其中,POI的种类主要包括商场、学校、医院、办公楼、其他共5类。
5.如权利要求1所述的基于出租车GPS数据与卡口数据融合的城市路网流量估计方法,其特征在于,步骤(4)中,将路网中的所有研究路段看作是节点,并将其中有真实流量路段L与未有真实路段U分别进行标记,总的路网节点记为V=L∪U,通过将所有L与U之间进行连接,并通过计算权重来分析L与U之间的权重系数,判断各条路段之间的相似性,具体为:图论模型建立,将所提取的变量特征输入图论模型中,分析同一特征之间的方差,不同特征值之间的相关性,
|Δxu,v|=|xu-xv|
|Δfi(u,v)|=|fi(u)-fi(v)|
其中,au,v表示图论中连接边的权重系数,Ls表示与未知路段连接边的差异总值;
求在保证找到最相似路段的条件下,寻找与连接未知路段节点的各边权重最小值;
其中,xu表示真实路段流量值,xv表示未知路段流量值,fi(u)表示真实路段u集合中第i个特征,fi(v)表示未知路段集合v中的第i个特征,Δxu,v表示已知流量路段u与未知流量路段v之间的流量差值,Δfi(u,v)表示知流量路段u与未知流量路段v之间的第i个特征差值,au,v表示两种类型路段之间相似性权重值,Ls表示反映两种类型路段差异的情况,当该值最小时,所估计的未知路段u的流量值最接近真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551980.9A CN109544932B (zh) | 2018-12-19 | 2018-12-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551980.9A CN109544932B (zh) | 2018-12-19 | 2018-12-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544932A CN109544932A (zh) | 2019-03-29 |
CN109544932B true CN109544932B (zh) | 2021-03-19 |
Family
ID=65856096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811551980.9A Active CN109544932B (zh) | 2018-12-19 | 2018-12-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544932B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979198B (zh) * | 2019-04-08 | 2021-07-09 | 东南大学 | 基于大规模浮动车数据的城市快速道路车速离散辨识方法 |
CN111815944B (zh) * | 2019-04-11 | 2022-08-02 | 阿里巴巴集团控股有限公司 | 数据有效性检测方法、装置、电子设备及计算机存储介质 |
CN111739322B (zh) * | 2019-05-09 | 2021-11-05 | 腾讯大地通途(北京)科技有限公司 | 数据处理方法及其装置 |
CN111951544A (zh) * | 2019-05-17 | 2020-11-17 | 阿里巴巴集团控股有限公司 | 一种监测点位的确定方法及装置 |
CN110276947B (zh) * | 2019-06-05 | 2021-03-23 | 中国科学院深圳先进技术研究院 | 一种交通融合分析预测方法、系统及电子设备 |
CN110459051B (zh) * | 2019-06-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、终端设备及存储介质 |
CN110827540B (zh) * | 2019-11-04 | 2021-03-12 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
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 |
CN111008672B (zh) * | 2019-12-23 | 2022-06-10 | 腾讯科技(深圳)有限公司 | 样本提取方法、装置、计算机可读存储介质和计算机设备 |
CN110969857B (zh) * | 2019-12-27 | 2021-11-19 | 华为技术有限公司 | 一种交通信息处理方法及装置 |
CN111583628B (zh) * | 2020-03-27 | 2021-05-11 | 北京交通大学 | 基于数据质量控制的道路网重型货车交通流量预测方法 |
CN111457925B (zh) * | 2020-04-15 | 2022-03-22 | 湖南赛吉智慧城市建设管理有限公司 | 社区路径导航方法、装置、计算机设备及存储介质 |
TWI748514B (zh) * | 2020-06-12 | 2021-12-01 | 中華電信股份有限公司 | 車流推估方法與系統 |
CN111968406B (zh) * | 2020-08-18 | 2021-06-25 | 江苏航运职业技术学院 | 一种基于混沌理论的船舶短时交通流模糊预测方法 |
CN112396837A (zh) * | 2020-11-13 | 2021-02-23 | 重庆中信科信息技术有限公司 | 基于交通大数据的拥堵区域车辆来源路径分析方法和系统 |
CN113870565B (zh) * | 2021-10-26 | 2022-12-23 | 邢吉平 | 基于迁移学习模型的城市路网未知流量估计方法及系统 |
CN113724497A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种目标道路实时交通流量预测方法和装置 |
CN115331433B (zh) * | 2022-07-28 | 2023-09-29 | 东南大学 | 基于多源数据的城市主干道多车轨迹重构方法 |
CN114999162B (zh) * | 2022-08-02 | 2022-10-21 | 北京交研智慧科技有限公司 | 一种道路交通流量获取方法和装置 |
CN115620522B (zh) * | 2022-10-21 | 2023-08-25 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
CN115662142B (zh) * | 2022-11-21 | 2023-04-07 | 南京大学 | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 |
CN116307318B (zh) * | 2023-03-06 | 2023-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于卡口车牌识别数据的道路流量溯源系统及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004318237A (ja) * | 2003-04-11 | 2004-11-11 | Honda Motor Co Ltd | 車両共同利用システム |
CN105374210A (zh) * | 2015-12-03 | 2016-03-02 | 中山大学 | 基于浮动车数据的卡口检测率获取方法 |
CN105894809A (zh) * | 2014-12-25 | 2016-08-24 | 杭州远眺科技有限公司 | 一种分段式城市道路交通状态估计方法 |
CN106530704A (zh) * | 2016-11-25 | 2017-03-22 | 杭州电子科技大学 | 一种基于多元数据融合的浮动车聚集检测方法 |
CN106611495A (zh) * | 2015-10-27 | 2017-05-03 | 北京航天长峰科技工业集团有限公司 | 基于浮动车实时数据的综合交通流量监测方法 |
CN107798873A (zh) * | 2017-10-27 | 2018-03-13 | 北京世纪高通科技有限公司 | 一种路口车流均衡程度评估方法及装置 |
-
2018
- 2018-12-19 CN CN201811551980.9A patent/CN109544932B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004318237A (ja) * | 2003-04-11 | 2004-11-11 | Honda Motor Co Ltd | 車両共同利用システム |
CN105894809A (zh) * | 2014-12-25 | 2016-08-24 | 杭州远眺科技有限公司 | 一种分段式城市道路交通状态估计方法 |
CN106611495A (zh) * | 2015-10-27 | 2017-05-03 | 北京航天长峰科技工业集团有限公司 | 基于浮动车实时数据的综合交通流量监测方法 |
CN105374210A (zh) * | 2015-12-03 | 2016-03-02 | 中山大学 | 基于浮动车数据的卡口检测率获取方法 |
CN106530704A (zh) * | 2016-11-25 | 2017-03-22 | 杭州电子科技大学 | 一种基于多元数据融合的浮动车聚集检测方法 |
CN107798873A (zh) * | 2017-10-27 | 2018-03-13 | 北京世纪高通科技有限公司 | 一种路口车流均衡程度评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
Traffic Volume Estimation;Jiping Xing;《IEEE INTELLIGENT TRANSPORTATION SYSTEMS MAGAZINE》;20190630;全文 * |
基于支持向量回归的行程时间算法;邱淳风;《计算机时代》;20140430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109544932A (zh) | 2019-03-29 |
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 | |
Zhan et al. | Citywide traffic volume estimation using trajectory data | |
Zhang et al. | Analyzing spatiotemporal congestion pattern on urban roads based on taxi GPS data | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
He et al. | Network-wide identification of turn-level intersection congestion using only low-frequency probe vehicle data | |
Zhang et al. | Integration of GPS traces with road map | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
CN110168520A (zh) | 一种智能化道路交通异常检测方法 | |
WO2019007111A1 (zh) | 一种公路异常事件的判断方法 | |
Kazagli et al. | Estimation of arterial travel time from automatic number plate recognition data | |
CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
CN115331425B (zh) | 一种交通预警方法、装置和系统 | |
Kong et al. | A fusion-based system for road-network traffic state surveillance: a case study of Shanghai | |
Ding et al. | Dissecting regional weather-traffic sensitivity throughout a city | |
Das et al. | Hardcl method for defining los criteria of urban streets | |
CN110309953B (zh) | 采用目标流动性分布预测的城市安防监控布局系统及方法 | |
Wei et al. | Queue length estimation for signalized intersections under partially connected vehicle environment | |
Saunier et al. | Comparing data from mobile and static traffic sensors for travel time assessment | |
Samal et al. | Speedpro: A predictive multi-model approach for urban traffic speed estimation | |
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 | |
Ko et al. | Measuring control delay using second–by–second GPS speed data | |
Li et al. | A probabilistic framework for estimating the risk of pedestrian-vehicle conflicts at intersections | |
Mohapatra et al. | SELF ORGANIZING MAP OF ARTIFICIAL NEURAL NETWORK FOR DEFINING LEVEL OF SERVICE CRITERIA OF URBAN STREETS. | |
El Esawey et al. | Using buses as probes for neighbor links travel time estimation in an urban network | |
Stipancic et al. | Measuring Congestion Using Large-Scale Smartphone-Collected GPS Data in an Urban Road Network |
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 |