CN109661692A - 交通事件预测方法、装置及终端设备 - Google Patents
交通事件预测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN109661692A CN109661692A CN201880002125.4A CN201880002125A CN109661692A CN 109661692 A CN109661692 A CN 109661692A CN 201880002125 A CN201880002125 A CN 201880002125A CN 109661692 A CN109661692 A CN 109661692A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- traffic events
- affair character
- prediction
- 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
- G08G1/0108—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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种交通事件预测方法、装置及终端设备,包括:采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;融合所述基础路网数据和浮动车数据,得到对应的事件特征;将所述事件特征与预先定义的交通事件的事件特征比较;若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。通过上述方法能够提高交通事件预测的准确性。
Description
技术领域
本申请属于交通数据处理技术领域,尤其涉及交通事件预测方法、装置、终端设备及计算机可读存储介质。
背景技术
随着互联网及物联网的发展,使得数据之间的交互更快捷,也使得智能交通成为可能。
智能交通系统(Intelligent Transportation System,ITS)是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通运输管理系统。
现有的智能交通系统主要是通过设置在路段中的传感器等获取该路段的车辆运行信息,通过对采集的该路段的车辆运行信息进行处理,进而对交通事件进行预测。由于交通事件只根据设置在路段的传感器等设备获取的数据进行预测,而传感器获得的数据有限,因此导致交通事件预测的准确性较低。
故,需要提出一种新的技术以解决上述技术问题。
发明内容
有鉴于此,本申请实施例提供了一种交通事件预测方法,以解决现有的交通事件预测方法只根据设置在路段的传感器等设备获取的数据进行预测,而传感器获得的数据有限,因此导致交通事件预测的准确性较低的问题。
本申请实施例的第一方面提供了一种交通事件预测方法,包括:
采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;
融合所述基础路网数据和浮动车数据,得到对应的事件特征;
将所述事件特征与预先定义的交通事件的事件特征比较;
若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。
本申请实施例的第二方面提供了一种交通事件预测装置,包括:
交通数据采集单元,用于采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;
事件特征确定单元,用于融合所述基础路网数据和浮动车数据,得到对应的事件特征;
事件特征比较单元,用于将所述事件特征与预先定义的交通事件的事件特征比较;
交通事件预测单元,用于若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述交通事件预测方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如所述交通事件预测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:
由于交通事件结合了基础路网数据和浮动车数据进行预测,因此,保证用于预测的交通数据更全面,进而提高了交通事件预测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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是本申请实施例一提供的一种交通事件预测方法的流程图;
图2是本申请实施例二提供的一种交通事件预测装置的结构示意图;
图3是本申请实施例三提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一:
图1示出了本申请实施例一提供的一种交通事件预测方法的流程图,详述如下:
步骤S11,采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;
具体地,采集路网设备系统、交通车辆系统以及出行民众系统里的交通数据,例如,采集路网设备系统的基础路网数据,采集交通车辆系统以及出行民众系统里的浮动车数据等。
可选地,统一采集的交通数据的格式。
具体地,由于每个系统的交通数据的格式是不同的,因此,统一从不同系统采集的交通数据的格式之后有助于提高后续数据处理的效率。
步骤S12,融合所述基础路网数据和浮动车数据,得到对应的事件特征;
该步骤中,只融合同一区域的基础路网数据和浮动车数据。具体地,从采集的交通数据中确定同一区域的基础路网数据和同一区域的浮动车数据,再融合处于同一区域的基础路网数据和浮动车数据。例如,假设区域A包括基础路网数据A和浮动车数据A,则只融合该基础路网数据A和浮动车数据A。
步骤S13,将所述事件特征与预先定义的交通事件的事件特征比较;
其中,预先定义的交通事件与区域有关,不同区域,在同一事件特征下其对应的交通事件可能不同。
具体地,该步骤将事件特征与该事件特征所在的区域对应的预先定义的交通事件的事件特征比较。
其中,预先定义的交通事件的事件特征通过分析不同区域下的历史数据确定,该历史数据包括历史基础路网数据和历史浮动车数据。
步骤S14,若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。
需要指出的是,预先定义的交通事件的个数大于或等于1,不同交通事件的事件特征是不同的,例如,假设交通事件X对应的事件特征是X1和X2,交通事件Y对应的事件特征是Y1和Y2,若步骤S12得到的事件特征与事件特征X1和事件特征X2都相同,则判定事件特征X1和事件特征X2对应的交通事件X作为预测的交通事件。
可选地,所述步骤S11中的基础路网数据包括各类红绿灯上报的数据、测速监控上报的数据以及流量监控设备上报的数据;所述浮动车数据包括:部署在各类具有GPS和/或视频监控车辆上的设备上报的位置信息;此时,所述步骤S12包括:
A1、根据所述各类红绿灯上报的数据和流量监控设备上报的数据与所述浮动车数据包括的位置信息比较,确定进出车辆不对称的区域;例如,在红绿灯为绿灯(或者为绿灯和黄灯)时,将流量监控设备上报的数据与浮动车数据包括的位置信息比较,具体比较进出同一个红绿灯的车辆,进而确定该红绿灯所在的区域是否为进出车辆不对称的区域。
A2、根据所述测速监控对所述进出车辆不对称的区域的车辆上报的数据,判断所述进出车辆不对称的区域的拥堵类型,所述拥堵类型包括长期性和时段性;
可选地,在所述步骤A2之前,从确定的进出车辆不对称的区域中过滤出进出车辆的差值大于指定差值阈值的区域,过滤出的区域作为进出车辆严重不对称的区域,此时,所述步骤A2具体为:根据所述测速监控对所述进出车辆严重不对称的区域的车辆上报的数据,判断所述进出车辆严重不对称的区域的拥堵类型,所述拥堵类型包括长期性和时段性;所述步骤A3具体为:将所述测速监控对所述进出车辆严重不对称的区域的车辆上报的数据与以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
A3、将所述测速监控对所述进出车辆不对称的区域的车辆上报的数据与以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
可选地,若所述车辆为公交车,则所述A3具体为:将所述测速监控对所述进出车辆不对称的区域的车辆上报的数据与上下客数量以及以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
以公交车为例,通过历史公交数据分析出在不同天气下(如雨天、雾天等),不同时节(如春、夏、秋、冬季节)下公交车在道路上行驶的速度、车辆分布、上下客数量等信息,进而方便后续规划公交车出行,如,控制公交车发车间隔、公交线密度等。
可选地,在所述步骤S14之后,包括:
通过调度策略配置启动与预测的交通事件对应的调度策略,所述调度策略配置包括以下至少一项:时段配置、区域范围配置、通行车辆配置、通行方向及时长配置。
其中,时段配置主要用于标识该调度策略生效的时间段,在不同时段下得到不同的调度策略。时段配置是指该调度策略生成的时段,可以为早高峰、可以为晚高峰,也可以是在不同节日的特殊时段。区域范围配置主要用于识别调度策略生效的区域,对于长期拥堵区域、高速路、居民区应该使用不同调度策略;需要指出的是,调度策略配置包括区域范围配置,因此需要预先定义调度策略的适用范围。通行车辆配置主要指针对不同类型的车辆,采取不同的通行策略;如公交车、出租车与网约车、班线客车、长途客车、危险车、货车等要区别对待。通行方向与时长主要用于定义在不同情景下,车辆通行允许通过的方向与时长;如早高峰对于办公区这样的长期拥堵区域而言,允许车辆驶出而限制车辆大量驶入,限制非公交交通车辆驶入;根据早高峰持续时间,定义限制通行的时长,如8:00不允许通行,9:00允许部分通行等。
具体地,提供配置页面,用户在该配置页面上通过调度不同的策略配置启动对应的调度策略。由于用户可以通过调度策略配置快速配置出一个调度策略,因此,能够快速响应预测的交通事件。
可选地,由于交通事件有多种,当预测的交通事件为紧急的交通事件时,为了尽快通知指定人员,则在所述通过调度策略配置启动与预测的交通事件对应的调度策略时,还包括以下至少一项:
通知指定管理部门、联动通知附近医院、向公众发送预测的交通事件。
其中,这里的指定管理部门包括交警所在的部门。
可选地,所述预测的交通事件包括:交通事件类型、交通特征值、交通事件级别;所述交通特征值包括以下至少一种:区域交通指数、车辆平均速度、单位路段车辆密度、车辆当前速度与历史速度波动。
其中,交通事件类型分为:突发性、常规性。突发性为该区域交通较畅通、事故较少,根据历史交通数据分析确定该区域属安全区域,但突发交通拥堵、车辆运行速度过慢的情况,这种交通事件一般为临时性,但需要指定管理部门,如交通管理部门立刻关注解决;常规性则属于在某些时段(如早晚高峰)、某些天气下(如下雨)交通情况不乐观,出现拥堵、行驶缓慢或事件多发,这类区域交通事件出现问题是一个长期的改进动作,影响面较广,需要长期关注。
交通事件级别则会根据交通事件类型、交通特征值的变化情况、持续时间、影响面、联动情况定义为轻度、普通、严重等几个维度,用于刻画当前交通事件应该受关注的程度。比如一个比较畅通的路口,出现拥堵、车辆缓慢、车辆密度大等数据,持续15分钟、30分钟、1个小时等,该交通事件定义的级别是不同的。
本申请实施例中,采集交通数据,所述交通数据包括基础路网数据以及浮动车数据,融合所述基础路网数据和浮动车数据,得到对应的事件特征,将所述事件特征与预先定义的交通事件的事件特征比较,若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。由于交通事件结合了基础路网数据和浮动车数据进行预测,因此,保证用于预测的交通数据更全面,进而提高了交通事件预测的准确性。
实施例二:
与实施例一的交通事件预测方法对应,本申请实施例二提供了一种交通事件预测装置的结构图,为了便于说明,仅示出了与本申请实施例相关的部分。
该交通事件预测装置包括:交通数据采集单元21、事件特征确定单元22、事件特征比较单元23、交通事件预测单元24,其中:
交通数据采集单元21,用于采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;
可选地,该交通事件预测装置包括:
格式统一单元,用于统一采集的交通数据的格式。
事件特征确定单元22,用于融合所述基础路网数据和浮动车数据,得到对应的事件特征;
具体地,从采集的交通数据中确定同一区域的基础路网数据和同一区域的浮动车数据,再融合处于同一区域的基础路网数据和浮动车数据。
事件特征比较单元23,用于将所述事件特征与预先定义的交通事件的事件特征比较;
其中,预先定义的交通事件与区域有关,不同区域,在同一事件特征下其对应的交通事件可能不同。
交通事件预测单元24,用于若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。
需要指出的是,预先定义的交通事件的个数大于或等于1,不同交通事件的事件特征是不同的。
可选地,所述基础路网数据包括各类红绿灯上报的数据、测速监控上报的数据以及流量监控设备上报的数据;所述浮动车数据包括:部署在各类具有GPS和/或视频监控车辆上的设备上报的位置信息;此时,所述事件特征确定单元22包括:
不对称区域确定模块,用于根据所述各类红绿灯上报的数据和流量监控设备上报的数据与所述浮动车数据包括的位置信息比较,确定进出车辆不对称的区域;
拥堵类型确定模块,用于根据所述测速监控对所述进出车辆不对称的区域的车辆上报的数据,判断所述进出车辆不对称的区域的拥堵类型,所述拥堵类型包括长期性和时段性;
数据融合模块,用于将所述测速监控对所述进出车辆不对称的区域的车辆上报的数据与以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
可选地,所述事件特征确定单元22包括:
不对称区域确定模块,用于根据所述各类红绿灯上报的数据和流量监控设备上报的数据与所述浮动车数据包括的位置信息比较,确定进出车辆不对称的区域;
进出车辆严重不对称的区域确定模块,用于从确定的进出车辆不对称的区域中过滤出进出车辆的差值大于指定差值阈值的区域,过滤出的区域作为进出车辆严重不对称的区域。
所述拥堵类型确定模块具体用于根据所述测速监控对所述进出车辆严重不对称的区域的车辆上报的数据,判断所述进出车辆严重不对称的区域的拥堵类型,所述拥堵类型包括长期性和时段性。
所述数据融合模块具体用于将所述测速监控对所述进出车辆严重不对称的区域的车辆上报的数据与以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
可选地,若所述车辆为公交车,则所述数据融合模块具体用于将所述测速监控对所述进出车辆不对称的区域的车辆上报的数据与上下客数量以及以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
可选地,所述交通事件预测装置还包括:
调度策略启动单元,用于通过调度策略配置启动与预测的交通事件对应的调度策略,所述调度策略配置包括以下至少一项:时段配置、区域范围配置、通行车辆配置、通行方向及时长配置。
可选地,在所述通过调度策略配置启动与预测的交通事件对应的调度策略时,还包括以下至少一项:
通知指定管理部门、联动通知附近医院、向公众发送预测的交通事件。
可选地,所述预测的交通事件包括:交通事件类型、交通特征值、交通事件级别;所述交通特征值包括以下至少一种:区域交通指数、车辆平均速度、单位路段车辆密度、车辆当前速度与历史速度波动。
本申请实施例中,由于交通事件结合了基础路网数据和浮动车数据进行预测,因此,保证用于预测的交通数据更全面,进而提高了交通事件预测的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例三:
图3是本申请实施例三提供的终端设备的示意图。如图3所示,该实施例的终端设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个交通事件预测方法实施例中的步骤,例如图1所示的步骤S11至步骤S14。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块21至24的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器30执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如,所述计算机程序32可以被分割成交通数据采集单元、事件特征确定单元、事件特征比较单元、交通事件预测单元,各单元具体功能如下:
交通数据采集单元,用于采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;
事件特征确定单元,用于融合所述基础路网数据和浮动车数据,得到对应的事件特征;
事件特征比较单元,用于将所述事件特征与预先定义的交通事件的事件特征比较;
交通事件预测单元,用于若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端设备3的示例,并不构成对终端设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元,例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备,例如所述终端设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种交通事件预测方法,其特征在于,包括:
采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;
融合所述基础路网数据和浮动车数据,得到对应的事件特征;
将所述事件特征与预先定义的交通事件的事件特征比较;
若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。
2.如权利要求1所述的交通事件预测方法,其特征在于,所述基础路网数据包括各类红绿灯上报的数据、测速监控上报的数据以及流量监控设备上报的数据;所述浮动车数据包括:部署在各类具有GPS和/或视频监控车辆上的设备上报的位置信息;此时,所述融合所述基础路网数据和浮动车数据,得到对应的事件特征,包括:
根据所述各类红绿灯上报的数据和流量监控设备上报的数据与所述浮动车数据包括的位置信息比较,确定进出车辆不对称的区域;
根据所述测速监控对所述进出车辆不对称的区域的车辆上报的数据,判断所述进出车辆不对称的区域的拥堵类型,所述拥堵类型包括长期性和时段性;
将所述测速监控对所述进出车辆不对称的区域的车辆上报的数据与以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
3.如权利要求2所述的交通事件预测方法,其特征在于,若所述车辆为公交车,则所述将所述测速监控对所述进出车辆不对称的区域的车辆上报的数据与上下客数量以及以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
4.如权利要求1所述的交通事件预测方法,其特征在于,在所述则将所述事件特征对应的交通事件作为预测的交通事件之后,包括:
通过调度策略配置启动与预测的交通事件对应的调度策略,所述调度策略配置包括以下至少一项:时段配置、区域范围配置、通行车辆配置、通行方向及时长配置。
5.如权利要求4所述的交通事件预测方法,其特征在于,在所述通过调度策略配置启动与预测的交通事件对应的调度策略时,还包括以下至少一项:
通知指定管理部门、联动通知附近医院、向公众发送预测的交通事件。
6.如权利要求1至5任一项所述的交通事件预测方法,其特征在于,所述预测的交通事件包括:交通事件类型、交通特征值、交通事件级别;所述交通特征值包括以下至少一种:区域交通指数、车辆平均速度、单位路段车辆密度、车辆当前速度与历史速度波动。
7.一种交通事件预测装置,其特征在于,包括:
交通数据采集单元,用于采集交通数据,所述交通数据包括基础路网数据以及浮动车数据;
事件特征确定单元,用于融合所述基础路网数据和浮动车数据,得到对应的事件特征;
事件特征比较单元,用于将所述事件特征与预先定义的交通事件的事件特征比较;
交通事件预测单元,用于若所述事件特征与预先定义的交通事件的事件特征相同,则将所述事件特征对应的交通事件作为预测的交通事件。
8.如权利要求7所述的交通事件预测装置,其特征在于,所述基础路网数据包括各类红绿灯上报的数据、测速监控上报的数据以及流量监控设备上报的数据;所述浮动车数据包括:部署在各类具有GPS和/或视频监控车辆上的设备上报的位置信息;此时,所述事件特征确定单元包括:
不对称区域确定模块,用于根据所述各类红绿灯上报的数据和流量监控设备上报的数据与所述浮动车数据包括的位置信息比较,确定进出车辆不对称的区域;
拥堵类型确定模块,用于根据所述测速监控对所述进出车辆不对称的区域的车辆上报的数据,判断所述进出车辆不对称的区域的拥堵类型,所述拥堵类型包括长期性和时段性;
数据融合模块,用于将所述测速监控对所述进出车辆不对称的区域的车辆上报的数据与以下至少一种数据结合,得到结合的数据对应的事件特征:基础设施数据、时段数据、天气数据、时节数据、关键节日数据。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/116851 WO2020103064A1 (zh) | 2018-11-22 | 2018-11-22 | 交通事件预测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109661692A true CN109661692A (zh) | 2019-04-19 |
CN109661692B CN109661692B (zh) | 2021-07-30 |
Family
ID=66118626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880002125.4A Active CN109661692B (zh) | 2018-11-22 | 2018-11-22 | 交通事件预测方法、装置及终端设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109661692B (zh) |
WO (1) | WO2020103064A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462497A (zh) * | 2020-05-18 | 2020-07-28 | 深圳博通机器人有限公司 | 一种交通数据下发方法、系统、终端及存储介质 |
CN111563425A (zh) * | 2020-04-22 | 2020-08-21 | 蘑菇车联信息科技有限公司 | 交通事件识别方法及电子设备 |
CN112289024A (zh) * | 2020-10-23 | 2021-01-29 | 杭州海康威视系统技术有限公司 | 一种交通事件信息的识别方法、装置、设备及存储介质 |
CN112634617A (zh) * | 2020-12-18 | 2021-04-09 | 北京高诚科技发展有限公司 | 交通事件预测预警与报警管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090079586A1 (en) * | 2007-09-20 | 2009-03-26 | Traffic.Com, Inc. | Use of Pattern Matching to Predict Actual Traffic Conditions of a Roadway Segment |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
CN103632546A (zh) * | 2013-11-27 | 2014-03-12 | 中国航天系统工程有限公司 | 一种基于浮动车数据的城市道路交通事故影响预测方法 |
CN105761500A (zh) * | 2016-05-10 | 2016-07-13 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
CN106448132A (zh) * | 2016-08-01 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 一种常规公交服务指数实时评价系统及评价方法 |
CN108629990A (zh) * | 2018-06-14 | 2018-10-09 | 重庆同济同枥信息技术有限公司 | 一种基于多源数据的实时动态配时方法及系统 |
-
2018
- 2018-11-22 CN CN201880002125.4A patent/CN109661692B/zh active Active
- 2018-11-22 WO PCT/CN2018/116851 patent/WO2020103064A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090079586A1 (en) * | 2007-09-20 | 2009-03-26 | Traffic.Com, Inc. | Use of Pattern Matching to Predict Actual Traffic Conditions of a Roadway Segment |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
CN103632546A (zh) * | 2013-11-27 | 2014-03-12 | 中国航天系统工程有限公司 | 一种基于浮动车数据的城市道路交通事故影响预测方法 |
CN105761500A (zh) * | 2016-05-10 | 2016-07-13 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
CN106448132A (zh) * | 2016-08-01 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 一种常规公交服务指数实时评价系统及评价方法 |
CN108629990A (zh) * | 2018-06-14 | 2018-10-09 | 重庆同济同枥信息技术有限公司 | 一种基于多源数据的实时动态配时方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563425A (zh) * | 2020-04-22 | 2020-08-21 | 蘑菇车联信息科技有限公司 | 交通事件识别方法及电子设备 |
CN111563425B (zh) * | 2020-04-22 | 2023-04-07 | 蘑菇车联信息科技有限公司 | 交通事件识别方法及电子设备 |
CN111462497A (zh) * | 2020-05-18 | 2020-07-28 | 深圳博通机器人有限公司 | 一种交通数据下发方法、系统、终端及存储介质 |
CN112289024A (zh) * | 2020-10-23 | 2021-01-29 | 杭州海康威视系统技术有限公司 | 一种交通事件信息的识别方法、装置、设备及存储介质 |
CN112289024B (zh) * | 2020-10-23 | 2022-04-05 | 杭州海康威视系统技术有限公司 | 一种交通事件信息的识别方法、装置、设备及存储介质 |
CN112634617A (zh) * | 2020-12-18 | 2021-04-09 | 北京高诚科技发展有限公司 | 交通事件预测预警与报警管理系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020103064A1 (zh) | 2020-05-28 |
CN109661692B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109661692A (zh) | 交通事件预测方法、装置及终端设备 | |
US11250698B2 (en) | Data processing for connected and autonomous vehicles | |
Lin et al. | Transit signal priority control at signalized intersections: a comprehensive review | |
CN107240254B (zh) | 交通路况预测方法及终端设备 | |
CN113838284B (zh) | 一种事故高发路段上的车辆预警方法、装置、存储介质及终端 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN103927866B (zh) | 基于gps的车辆等待红绿灯时间预测方法 | |
CN110491147B (zh) | 一种交通信息处理方法、交通信息处理装置及终端设备 | |
CN111915896A (zh) | 一种基于物联网的智能交通系统及方法 | |
CN112669597A (zh) | 一种基于云服务的城市智慧交通管理系统 | |
CN101419750A (zh) | 控制路口交通状态检测和评价系统及其实现方法与应用 | |
CN106251621A (zh) | 智慧交通管理系统及方法 | |
CN112785835A (zh) | 一种获取路况信息的方法及装置、车载装置 | |
CN108873865A (zh) | 一种智能驾驶的网络控制方法、系统、车载控制器及汽车 | |
CN109493606A (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN201262784Y (zh) | 基于数据特征的城市信号控制路口交通状态检测和评价系统 | |
CN115601983A (zh) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 | |
CN110276951B (zh) | 一种基于移动互联网交通拥堵预警方法 | |
CN110033613B (zh) | 基于区域交通同步性的智慧城市管理方法及系统 | |
WO2022070201A1 (en) | Method and system for dynamic traffic control for one or more junctions | |
CN115273468B (zh) | 一种交通拥堵控制策略生成方法及装置 | |
CN114596704B (zh) | 交通事件处理方法、装置、设备及存储介质 | |
CN114519500A (zh) | 道路安全风险等级的确定方法、装置、设备及存储介质 | |
Mulung et al. | Proposed SMART Traffic Control Signal in Brunei Darussalam | |
CN111914138A (zh) | 基于车联网大数据的工况分析方法、装置和系统 |
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 |