CN109615852A - 一种突发事故下路段交通流分配快速预测的方法 - Google Patents
一种突发事故下路段交通流分配快速预测的方法 Download PDFInfo
- Publication number
- CN109615852A CN109615852A CN201811385418.3A CN201811385418A CN109615852A CN 109615852 A CN109615852 A CN 109615852A CN 201811385418 A CN201811385418 A CN 201811385418A CN 109615852 A CN109615852 A CN 109615852A
- Authority
- CN
- China
- Prior art keywords
- accident
- road
- section
- traffic
- denoted
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明属于交通管理与控制技术领域,一种突发事故下路段交通流分配快速预测的方法,步骤:获取城市道路网基础数据,各路段X的历史交通流HX,事故发生前一定时间t0内路段X的交通流数据记为事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为事故当天路网交通量与历史交通量HX的差异化程度分析,获取当天路网交通量相对于历史交通量的时间迟滞Δt以及总体规模系数λ;确定突发事故影响范围,影响边界分别为第nE、nS、nW、nN条道路;事故发生后个路段X的饱和度增加幅度构建目标函数对所包含的未知数进行标定;预测影响范围内的各路段交通量。本发明的方法,能够实现以供车载智能导航设备在突发事故下对事故周边交通的重分布进行快速预测。
Description
技术领域
本发明涉及交通管理与控制技术领域,特别是涉及一种突发事故下路段交通流分配快速预测的方法。
背景技术
突发事故属于城市道路交通的频发性事件,突发事故下道路网局部路段通行能力突变,导致有序的交通状态遭到破坏,并在既有道路条件和交通需求下向新的平衡状态进行演变。现有部分研究通常通过研究路阻函数的变化从而构建新的交通分配函数,分配结果往往依赖于大量道路交通基础数据,包括交通流和道路的渠化状态等,预测时间相对较长,且不适用于车载导航设备的快速预测需求。利用路网历史数据及当前交通分布状态对下一时段的路段交通流分配进行快速预测是本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种突发事故下路段交通流分配快速预测的方法,以供车载智能导航设备在突发事故下对事故周边交通的重分布进行快速预测。
本发明的技术方案:
一种突发事故下路段交通流分配快速预测的方法,包括以下步骤:
获取城市道路网基础数据:所述基础数据包括事故发生日之前每一天相应时段各路段的历史交通流数据,各路段X的历史交通流数据记为HX;事故发生日当天,在事故发生前一定时间段内,时间区间记为t0,各路段X的交通流数据记为事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为预测未来时段t2内各路段X的交通流数据记为
分析事故当天路网交通流与历史交通流HX的差异化程度:当天路网交通流相对于历史交通流的时间迟滞为Δt;分析t0范围内事故当天路网交通流与历史交通流存在总体规模的变化,总体规模系数为λ;
突发事故影响范围判断:东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路;
突发事故影响范围内的编号说明:路网中标记处的箭头方向流向发生突发事故并导致车道阻断,事故发生点所在道路有两个标记W1和E1,南北向道路中事故点以东的道路记为Ek,事故点以西的道路记为Wk,东西向道路中事故点以北的道路标记为Nk,事故点以南道路标记为Sk,其中k表示各个方向的第k条道路;每条道路又划分为很多路段,路段编号用两个连续数字表示,第一个数字表示路段相对于事故点的方向,每一条道路的各路段有两个走向,因此第一个数字取值1或者2,第二个数字表示路段的序号,距离事故点越远,序号越大,事故点所在道路编号为W1或E1,路段标号为11或21,因此W1(11)、W1(21)、E1(11)、E1(21)均表示事故点路段;
构建事故发生后的影响范围内道路网交通流分布模型,模型中共包含4+2*(nN+nS)个未知数,用未知数表示各路段X在事故发生后的饱和度增加幅度为利用时间段t1下路网预期交通量和实际交通量的差异化分析,构建目标函数对模型参数进行标定,最后根据模型对时间段t2下事故影响范围内的各路段交通量进行预测,各路段的交通量表示为
分析事故当天路网交通量与历史交通量HX的差异化程度,步骤如下:
划定事故发生点四个方向各延伸5条道路作为分析范围;
根据最小二乘法判断分析范围内与历史交通流是否存在时间的提前或延迟,当存在时段Δt,将统计时段t0的起始和结束时间同步增加Δt后,记新的统计时段为记为t0(Δt),与历史交通流的误差平方和取得最小值,则认为当天路网交通流相对于历史交通流的时间迟滞为Δt,Δt不大于0.5h;
根据最小二乘法求总体规模系数λ,使得与的误差平方和最小。
突发事故影响范围判断,步骤如下:
突发事故影响范围内仅考虑次干道及以上等级道路,根据t1时段内事故周边路网的交通流与经调整后的同期历史交通流进行方差分析,确定事故点东南西北四个方向的影响边界,影响范围内与存在显著性差异;记事故点东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路。
事故发生后影响范围内道路网交通流分布模型、模型参数的标定及未来流量分布进行预测,步骤如下:
事故发生后的南北向道路网交通流分布模型为,设东西两侧第2条道路E2和W2上与路段E1(11)平行的路段E2(11)和W2(11)的饱和度增加幅度分别为和则东西两侧第k条道路上与路段11平行路段的饱和度增加幅度为:
东侧:其中k∈[2,nE];
西侧:其中k∈[2,nW];
东西两侧第k条道路上与路段21平行路段的饱和度增加幅度为与路段11相同;
东西两侧第k条道路第l路段的饱和度增加幅度为,
东侧第k条道路以北第l路段:其中l∈[1,nN];
东侧第k条道路以南第l路段:其中l∈[1,nN];
西侧第k条道路第l路段的饱和度增加幅度和东侧算法一致;
事故发生后的东西向道路网交通流分布模型为,事故点南侧道路记为Sk,设道路Sk在标号为11和21的路段处饱和度增加幅度分别为和事故点北侧道路记为Nk,设道路Nk在标号为11和21的路段处饱和度增加幅度分别为和则东西向道路其它路段的饱和度增加幅度分别为,
其中l∈[1,nW];
其中l∈[1,nE];
其中l∈[1,nW];
其中l∈[1,nE];
事故发生后事故所在道路的交通量分布模型为,设路段E1(12)和E1(22)的饱和度增加幅度分别为和则道路E1上其它路段的饱和度增加幅度分别为,
其中l∈[2,nN];
其中l∈[2,nS];
预测模型参数标定:事故发生后的交通流分布模型中共包含4+2*(nN+nS)个未知数;当没有发生交通事故,则时间段t1下路网的各路段X交通量表示为事故发生后路段X的实际交通量为构建目标函数其中X表示事故影响范围内的各路段,表示各路段在事故发生后的路段饱和度增加幅度;通过对目标函数的求解,求得事故发生后交通分布模型中的4+2*(nN+nS)个未知数值;
未来流量分布进行预测:当没有发生交通事故,则时间段t2下路网的各路段X交通量表示为而在交通事故发生后的饱和度增加幅度为预测在时间段t2下事故影响范围内的各路段交通流表示为
本发明的有益效果:本发明提供一种突发事故下路段交通流分配快速预测的方法,能够实现以供车载智能导航设备在突发事故下对事故周边交通的重分布进行快速预测。
附图说明
图1为事故发生点及周边道路网结构抽象图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种突发事故下路段交通流分配快速预测的方法,包括以下步骤:
1、根据城市道路网总体交通流分布的稳定性,通过长期观测可得到每一天相应时段各路段的历史交通流数据(事故发生日之前),各路段X的历史交通流记为HX;事故发生日当天,在事故发生前一定时间内(时间区间记为t0,长度可取0.5h至1h),各路段X的交通流数据记为事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为预测未来时段t2内各路段X的交通流数据记为
2、突发事故下路段交通流概率分配预测可划分为三步:第一步是事故发生后的交通分布模型构建,第二步是交通状态的模型参数标定,第三步是路段交通流分布预测。
3、事故发生后的交通分布模型构建
1)分析事故当天路网交通量与历史交通量HX的差异化程度:划定事故发生点四个方向各延伸5条道路作为分析范围,应注意该范围并非事故影响范围;根据最小二乘法判断分析范围内与历史交通量是否存在时间的提前或延迟,若存在时段Δt,将统计时段t0的起始和结束时间同步增加Δt后,记新的统计时段为记为t0(Δt),与历史交通量的误差平方和取得最小值,则认为当天路网交通量相对于历史交通量的时间迟滞为Δt,考虑到时间迟滞不应太大,建议Δt不大于0.5h;根据最小二乘法判断分析范围内与历史交通量是否存在总体规模的变化,即求总体规模系数λ,使得与的误差平方和最小。
2)突发事故影响范围判断:影响范围内仅考虑次干道及以上等级道路,根据t1时段内事故周边路网的交通量与经调整后的同期历史交通量进行方差分析,确定事故点东南西北四个方向的影响边界,影响范围内与存在显著性差异;记事故点东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路。
3)突发事故影响范围内的编号说明:如附图所示,假设路网中标记处的箭头方向流向发生突发事故并导致车道阻断,事故发生点所在道路有两个标记W1和E1,南北向道路中事故点以东的道路记为Ek,事故点以西的道路记为Wk,东西向道路中事故点以北的道路标记为Nk,事故点以南道路标记为Sk,其中k表示各个方向的第k条道路;同时,每条道路又可划分为很多路段,路段编号用两个连续数字表示,第一个数字表示路段相对于事故点的方向,每一条道路的各路段可有两个走向,因此第一个数字取值1或者2,第二个数字表示路段的序号,距离事故点越远,序号越大,事故点所在道路编号为W1或E1,路段标号为11或21,因此W1(11)、W1(21)、E1(11)、E1(21)均可表示事故点路段。
4)事故发生后的南北向道路网交通量分布模型
假设事故路段发生事故后的转移交通量为QT,转移交通量QT为由北至南交通量,均需转移至与E1道路平行的道路上,导致与E1道路平行的道路饱和度增加,增加幅度随着距离增加而递减,且每条道路上均是与路段E1(11)平行的路段饱和度增加幅度最大,假设东西两侧第2条道路(E2和W2)上与路段E1(11)平行的路段E2(11)和W2(11)的饱和度增加幅度分别为而根据事故影响范围划定东西两侧的影响边界分别为第nE、nW条道路,本专利提出第k条道路的饱和度增加幅度为:
东侧:其中k∈[2,nE];
西侧:其中k∈[2,nW]。
南北向道路中任一道路各路段的增加幅度均在路段11(同路段21)处增加幅度最大,然后依次向两侧递减,根据事故影响范围划定南北两侧的影响边界分别为第nS、nN条道路,本专利提出第k条道路第l路段的饱和度增加幅度为:
东侧第k条道路以北第l路段:其中l∈[1,nN];
东侧第k条道路以南第l路段:其中l∈[1,nN];
西侧第k条道路第l路段的饱和度增加幅度和东侧算法一致。
5)事故发生后的东西向道路网交通量分布模型
事故发生后,道路W1上交通量向东西两侧的其它平行道路转移,带动了东西道路的交通量变化,显然东西向道路交通量变化幅度最大的路段为临近道路W1(或道路E1)的路段,也即东西向道路上标号为11和21的路段。东西向道路根据相对事故点的位置(南侧或北侧)分别进行了编号,事故点南侧道路记为Sk,假设道路Sk在标号为11和21的路段处饱和度增加幅度分别为和事故点北侧道路记为Nk,假设道路Nk在标号为11和21的路段处饱和度增加幅度分别为和本专利提出东西向道路其它路段的饱和度增加幅度分别为:
其中l∈[1,nW];
其中l∈[1,nE];
其中l∈[1,nW];
其中l∈[1,nE]。
6)事故发生后事故所在道路的交通量分布模型
道路E1上,除事故所在路段外,临近事故点的路段受影响更大,假设路段E1(12)和E1(22)的饱和度增加幅度分别为和本专利提出道路E1上其它路段的饱和度增加幅度分别为:
其中l∈[2,nN];
其中l∈[2,nS]。
4、预测模型参数标定
事故发生后的交通分布模型中共提出了4+2*(nN+nS)个假设,即共包含4+2*(nN+nS)个未知数,所有未知数的取值范围为[-5,5]。
根据对事故当天路网交通量与历史交通量的差异化程度分析可认为,若没有发生交通事故,则时间段t1下路网的各路段X交通量可表示为但各路段的交通量因为交通事故后发生了转移,各路段的饱和度变化比例如事故发生后的交通分布模型分析可知,转移后的路段X的实际交通量为本专利提出参数标定的目标函数如下:
其中X表示事故影响范围内的各路段,表示各路段在事故发生后的路段饱和度增加幅度。通过对目标函数的求解,可求得事故发生后交通分布模型中的4+2*(nN+nS)个未知数值。
5、根据拟合后的参数对未来流量分布进行预测
根据对事故当天路网交通量与历史交通量的差异化程度分析可认为,若没有发生交通事故,则时间段t2下路网的各路段X交通量可表示为根据对预测模型参数的标定可知各路段在交通事故发生后的饱和度增加幅度为可预测在时间段t2下事故影响范围内的各路段交通量可表示为
Claims (1)
1.一种突发事故下路段交通流分配快速预测的方法,其特征在于,步骤如下:
获取城市道路网基础数据:所述基础数据包括事故发生日之前每一天相应时段各路段的历史交通流数据,各路段X的历史交通流数据记为HX;事故发生日当天,在事故发生前一定时间段内,时间区间记为t0,各路段X的交通流数据记为事故发生之后至开始预测的时间段t1内各路段X的交通流数据记为预测未来时段t2内各路段X的交通流数据记为
分析事故当天路网交通流与历史交通流HX的差异化程度:当天路网交通流相对于历史交通流的时间迟滞为Δt;分析t0范围内事故当天路网交通流与历史交通流存在总体规模的变化,总体规模系数为λ;
突发事故影响范围判断:东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路;
突发事故影响范围内的编号说明:路网中标记处的箭头方向流向发生突发事故并导致车道阻断,事故发生点所在道路有两个标记W1和E1,南北向道路中事故点以东的道路记为Ek,事故点以西的道路记为Wk,东西向道路中事故点以北的道路标记为Nk,事故点以南道路标记为Sk,其中k表示各个方向的第k条道路;每条道路又划分为很多路段,路段编号用两个连续数字表示,第一个数字表示路段相对于事故点的方向,每一条道路的各路段有两个走向,因此第一个数字取值1或者2,第二个数字表示路段的序号,距离事故点越远,序号越大,事故点所在道路编号为W1或E1,路段标号为11或21,因此W1(11)、W1(21)、E1(11)、E1(21)均表示事故点路段;
构建事故发生后的影响范围内道路网交通流分布模型,模型中共包含4+2*(nN+nS)个未知数,用未知数表示各路段X在事故发生后的饱和度增加幅度为利用时间段t1下路网预期交通量和实际交通量的差异化分析,构建目标函数对模型参数进行标定,最后根据模型对时间段t2下事故影响范围内的各路段交通量进行预测,各路段的交通量表示为
分析事故当天路网交通量与历史交通量HX的差异化程度,步骤如下:
划定事故发生点四个方向各延伸5条道路作为分析范围;
根据最小二乘法判断分析范围内与历史交通流是否存在时间的提前或延迟,当存在时段Δt,将统计时段t0的起始和结束时间同步增加Δt后,记新的统计时段为记为t0(Δt),与历史交通流的误差平方和取得最小值,则认为当天路网交通流相对于历史交通流的时间迟滞为Δt,Δt不大于0.5h;
根据最小二乘法求总体规模系数λ,使得与的误差平方和最小;
突发事故影响范围判断,步骤如下:
突发事故影响范围内仅考虑次干道及以上等级道路,根据t1时段内事故周边路网的交通流与经调整后的同期历史交通流进行方差分析,确定事故点东南西北四个方向的影响边界,影响范围内与存在显著性差异;记事故点东南西北四个方向的影响边界分别为第nE、nS、nW、nN条道路;
事故发生后影响范围内道路网交通流分布模型、模型参数的标定及未来流量分布进行预测,步骤如下:
事故发生后的南北向道路网交通流分布模型为,设东西两侧第2条道路E2和W2上与路段E1(11)平行的路段E2(11)和W2(11)的饱和度增加幅度分别为和则东西两侧第k条道路上与路段11平行路段的饱和度增加幅度为:
东侧:其中k∈[2,nE];
西侧:其中k∈[2,nW];
东西两侧第k条道路上与路段21平行路段的饱和度增加幅度为与路段11相同;
东西两侧第k条道路第l路段的饱和度增加幅度为,
东侧第k条道路以北第l路段:其中l∈[1,nN];
东侧第k条道路以南第l路段:其中l∈[1,nN];
西侧第k条道路第l路段的饱和度增加幅度和东侧算法一致;
事故发生后的东西向道路网交通流分布模型为,事故点南侧道路记为Sk,设道路Sk在标号为11和21的路段处饱和度增加幅度分别为和事故点北侧道路记为Nk,设道路Nk在标号为11和21的路段处饱和度增加幅度分别为和则东西向道路其它路段的饱和度增加幅度分别为,
其中l∈[1,nW];
其中l∈[1,nE];
其中l∈[1,nW];
其中l∈[1,nE];
事故发生后事故所在道路的交通量分布模型为,设路段E1(12)和E1(22)的饱和度增加幅度分别为和则道路E1上其它路段的饱和度增加幅度分别为,
其中l∈[2,nN];
其中l∈[2,nS];
预测模型参数标定:事故发生后的交通流分布模型中共包含4+2*(nN+nS)个未知数;当没有发生交通事故,则时间段t1下路网的各路段X交通量表示为事故发生后路段X的实际交通量为构建目标函数其中X表示事故影响范围内的各路段,表示各路段在事故发生后的路段饱和度增加幅度;通过对目标函数的求解,求得事故发生后交通分布模型中的4+2*(nN+nS)个未知数值;
未来流量分布进行预测:当没有发生交通事故,则时间段t2下路网的各路段X交通量表示为而在交通事故发生后的饱和度增加幅度为预测在时间段t2下事故影响范围内的各路段交通流表示为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811385418.3A CN109615852B (zh) | 2018-11-20 | 2018-11-20 | 一种突发事故下路段交通流分配快速预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811385418.3A CN109615852B (zh) | 2018-11-20 | 2018-11-20 | 一种突发事故下路段交通流分配快速预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615852A true CN109615852A (zh) | 2019-04-12 |
CN109615852B CN109615852B (zh) | 2021-03-30 |
Family
ID=66003333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811385418.3A Expired - Fee Related CN109615852B (zh) | 2018-11-20 | 2018-11-20 | 一种突发事故下路段交通流分配快速预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615852B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428628A (zh) * | 2019-08-31 | 2019-11-08 | 招商局重庆交通科研设计院有限公司 | 道路交通诱导方法 |
CN111950603A (zh) * | 2020-07-24 | 2020-11-17 | 中南大学 | 一种路段交通事故率的预测方法、装置及计算机存储介质 |
CN115083166A (zh) * | 2022-07-14 | 2022-09-20 | 深圳市维力谷无线技术股份有限公司 | 基于5g技术的车路通信测试系统和方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080019269A1 (en) * | 2006-07-18 | 2008-01-24 | Chatschik Bisdikian | Proactive mechanism for supporting the global management of vehicle traffic flow |
WO2012002098A1 (ja) * | 2010-06-29 | 2012-01-05 | 本田技研工業株式会社 | 渋滞予測表示方法 |
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
JP2015188186A (ja) * | 2014-03-27 | 2015-10-29 | 富士通株式会社 | 制御装置、および、通信方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106971537A (zh) * | 2017-04-20 | 2017-07-21 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
US20180063002A1 (en) * | 2016-08-30 | 2018-03-01 | Here Global B.V. | Wireless network optimization |
CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告(上海)有限公司 | 一种流量预测方法及装置、存储介质、终端 |
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
-
2018
- 2018-11-20 CN CN201811385418.3A patent/CN109615852B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080019269A1 (en) * | 2006-07-18 | 2008-01-24 | Chatschik Bisdikian | Proactive mechanism for supporting the global management of vehicle traffic flow |
WO2012002098A1 (ja) * | 2010-06-29 | 2012-01-05 | 本田技研工業株式会社 | 渋滞予測表示方法 |
JP2015188186A (ja) * | 2014-03-27 | 2015-10-29 | 富士通株式会社 | 制御装置、および、通信方法 |
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
US20180063002A1 (en) * | 2016-08-30 | 2018-03-01 | Here Global B.V. | Wireless network optimization |
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN106971537A (zh) * | 2017-04-20 | 2017-07-21 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告(上海)有限公司 | 一种流量预测方法及装置、存储介质、终端 |
Non-Patent Citations (2)
Title |
---|
翁剑成: "面向车载导航应用的短时交通预测关键技术研究", 《中国博士学位论文全文数据库(电子期刊) 工程科技Ⅱ辑》 * |
韩旭: "城市突发事件下应急交通分配研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428628A (zh) * | 2019-08-31 | 2019-11-08 | 招商局重庆交通科研设计院有限公司 | 道路交通诱导方法 |
CN110428628B (zh) * | 2019-08-31 | 2022-01-28 | 招商局重庆交通科研设计院有限公司 | 道路交通诱导方法 |
CN111950603A (zh) * | 2020-07-24 | 2020-11-17 | 中南大学 | 一种路段交通事故率的预测方法、装置及计算机存储介质 |
CN111950603B (zh) * | 2020-07-24 | 2023-11-07 | 中南大学 | 一种路段交通事故率的预测方法、装置及计算机存储介质 |
CN115083166A (zh) * | 2022-07-14 | 2022-09-20 | 深圳市维力谷无线技术股份有限公司 | 基于5g技术的车路通信测试系统和方法 |
CN115083166B (zh) * | 2022-07-14 | 2022-11-11 | 深圳市维力谷无线技术股份有限公司 | 基于5g技术的车路通信测试系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109615852B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106981198B (zh) | 用于旅行时间预测的深度学习网络模型及其建立方法 | |
CN106971545B (zh) | 一种公交车到站时间预测方法 | |
CN105070042B (zh) | 一种交通预测的建模方法 | |
CN110160550B (zh) | 一种基于道路积水预测的城市路线引导方法 | |
CN104574967B (zh) | 一种基于北斗的城市大面积路网交通感知方法 | |
CN109615852A (zh) | 一种突发事故下路段交通流分配快速预测的方法 | |
CN104200680B (zh) | 过饱和交通状态下城市干道的交通信号协调控制方法 | |
CN111653088A (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN109544916B (zh) | 一种基于抽样轨迹数据的路网车辆od估计方法 | |
CN104021670B (zh) | 一种高分遥感影像提取城市路网车辆队列状态信息方法 | |
CN106971535B (zh) | 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台 | |
CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
CN104318324A (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN108877219B (zh) | 一种城市交叉口禁左后交通流转移预测方法 | |
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
CN111881557B (zh) | 基于道路平均速度的车流仿真方法 | |
CN108629970A (zh) | 基于蒙特卡罗树搜索的交叉口信号参数优化方法 | |
CN110888132A (zh) | 基于InSAR监测的桥梁形变分析方法及系统 | |
CN111009140B (zh) | 一种基于开源路况信息的智能交通信号控制方法 | |
CN107945510A (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 | |
CN105185103B (zh) | 一种路段行程时间的管理控制方法 | |
CN105225479A (zh) | 基于手机切换数据的信号交叉口路段行程时间计算方法 | |
CN109637132B (zh) | 一种基于无人机航拍视频的交叉口信号配时方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210330 Termination date: 20211120 |
|
CF01 | Termination of patent right due to non-payment of annual fee |