CN109754606B - 一种基于出租车定位预测道路拥堵情况的方法 - Google Patents
一种基于出租车定位预测道路拥堵情况的方法 Download PDFInfo
- Publication number
- CN109754606B CN109754606B CN201910150964.7A CN201910150964A CN109754606B CN 109754606 B CN109754606 B CN 109754606B CN 201910150964 A CN201910150964 A CN 201910150964A CN 109754606 B CN109754606 B CN 109754606B
- Authority
- CN
- China
- Prior art keywords
- taxi
- congestion
- road
- predicting
- time
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于出租车定位预测道路拥堵情况的方法，属于交通领域，本发明要解决的技术问题为如何利用出租车的出行拥堵情况为交通管理部门提供未来路段车辆拥堵情况，更加合理安排人员，优化交通出行方案，采用的技术方案为：该方法步骤如下：S1、构建出租车道路运行记录；S2、建立不同时刻不同路段出租车车辆运行速度的统计数据库；S3、建立分类预测模型：根据数据库建立决策树模型；S4、预测与检验：利用1周某路段的出租车运行记录，通过决策树模型，预测特定时刻道路的拥堵情况，并且与未来实际的拥堵情况做比较，根据实际的拥堵情况对决策树模型进行优化，达到符合验收的标准。
Description
技术领域
本发明涉及交通领域，具体地说是一种基于出租车定位预测道路拥堵情况的方法。
背景技术
现在道路拥堵的情况，基本上都是根据道路当前的拥堵情况进行报道，没有提前进行预测该道路某些特定时刻预计的道路拥堵情况。司机等获取行车路线，主要还是通过当前时刻，看地图app或者听交通广播来判断当前道路的拥堵情况，很难有所改变当前所处的拥堵情况。如果可以提前获知，该道路明天的特定时刻拥堵情况，能够更加合理的做出道路出行选择，提升出行体验。现在的技术主要用在了搜集车辆的位置信息上，专利号为CN104881999A的专利文献公开了一种交通路况信息自动采集和查询的分布式系统及方法，系统包括分布式智能终端设备和应用软件。其中分布式智能终端设备，用于为采集、发布和查询路况信息提供硬件和软件支持；分布式应用软件，用于依据信息和拥堵算法计算道路拥堵状况，并根据路况信息和目的地计算最佳路径。分布式智能终端上的卫星定位、无线通信、显示触控和语音模块分别用于提供时间和位置信息、接收和发送信息、输入输出显示和语音提示。本发明可自动采集、发布和查询道路交通状况实时信息，并依此计算到达目的地的最佳行进路径。该技术方案主要是通过收集车主车辆的位置信息，来进行分布式处理数据，或者道路车辆数量等。
总之，现有的反映道路拥堵的情况集中在车辆位置信息的搜集上面，并没有做出预测未来道路情况的估计，并且该搜集信息方法，成本更高，涉及到用户的隐私，有法律风险。而出租车位置信息，本身就可以通过出租车公司获取，不承担法律风险，并且数量庞大。故如何利用出租车的出行拥堵情况为交通管理部门提供未来路段车辆拥堵情况，更加合理安排人员，优化交通出行方案是目前现有技术中存在的技术问题。
专利号为CN106816008A的专利文献公开了一种道路拥堵预警及拥堵形成时间预测方法，包括以下步骤：步骤1：获取天数为D的道路流量和速度历史数据，进行高斯滤波处理；步骤2：计算路段即将发生拥堵时流量增长斜率参考值k、拥堵形成时间参考值t和流量连续超过参考值的比例p；步骤3：实时计算流量预警阈值，根据路段历史流量增长斜率k和i-1时刻实时流量增长斜率Ki-1，计算实时流量预警阈值Tli，如果当前流量超出Tli，则发出流量告警并计算实时的拥堵形成时间；步骤4、根据路段历史流量增长斜率k和当前实时流量增长斜率Ki、路段历史流量连续超过参考值的比例p和实时流量连续超过Tli的比例Pi、路段历史拥堵形成时间参考值t，计算实时的拥堵形成时间T。但是该技术方案计算操作复杂，不能利用出租车的出行拥堵情况为交通管理部门提供未来路段车辆拥堵情况，更加合理安排人员，优化交通出行方案。
专利号为CN107730882A的专利文献公开了一种基于人工智能的道路拥堵预测系统，包括以下模块：数据采集模块；拥堵模糊评级模块；样本生成模块；样本清洗模块；经过训练的BP网络。但是该技术方案计算操作复杂，不能利用出租车的出行拥堵情况为交通管理部门提供未来路段车辆拥堵情况，更加合理安排人员，优化交通出行方案。
发明内容
本发明的技术任务是提供一种基于出租车定位预测道路拥堵情况的方法，来解决如何利用出租车的出行拥堵情况为交通管理部门提供未来路段车辆拥堵情况，更加合理安排人员，优化交通出行方案的问题。
本发明的技术任务是按以下方式实现的，一种基于出租车定位预测道路拥堵情况的方法，该方法步骤如下：
S1、构建出租车道路运行记录；
S2、建立不同时刻不同路段出租车车辆运行速度的统计数据库；
S3、建立分类预测模型：根据数据库建立决策树模型；
S4、预测与检验：利用1周某路段的出租车运行记录，通过决策树模型，预测特定时刻道路的拥堵情况，并且与未来实际的拥堵情况做比较，根据实际的拥堵情况对决策树模型进行优化，达到符合验收的标准。
作为优选，所述步骤S1中构建出租车道路运行记录是通过对出租车安装GPS定位仪器，实时接收出租车的位置信息(现在的定位技术能够保证1m以内误差或者更精确)，获取出租车的地理位置信息，形成出租车道路运行路线，该路线获取的成本低，效率高，实时性可靠。
作为优选，所述步骤S2中建立不同时刻不同路段出租车车辆运行速度的统计数据库的具体步骤如下：
S201、根据步骤S1构建的出租车道路运行记录，通过地图计算不同时刻的出租车运行距离，并且利用记录的间隔时间，计算出租车的平均运行速度；
S202、根据出租车运行速度设定交通拥堵的等级；
S203、为每一辆监测出租车设定id(唯一)；时间间隔记为T，单位为秒；运行距离记为X，单位为米；运行速度记为V，单位为km/h(通过百度地图计算位置信息距离，在根据时间的间隔计算平均速度)；运行速度V的计算公式为：
V＝X/T；
根据运行速度及步骤S202设定的交通拥堵等级判断该路段是否拥堵，拥堵的标识记为Traf。
更优地，所述步骤S202中交通拥堵的等级划分具体如下：
①、平均速度V≤5km/h，重度拥堵；
②、V≤10km/h，中等拥堵；
③、V≤15km/h，轻度拥堵。
更优地，所述步骤S203中拥堵的标识记为Traf包括0、1、2和3，其中，0表示重度拥堵；1表示中等拥堵；2表示轻度拥堵；3表示交通顺畅。
更优地，所述步骤S203中计算运行速度V具体步骤如下：
S20301、出租车上的GPS定位仪器发送时刻T，同时发送实时位置信息X1、X2、···、Xn；
S20302、将城市路段划分为M1、M2、···、Mn；
S20303、利用百度地图测距，计算出不同路段的出组成的形式速度V；
S20304、构建出不同时间段，出租车在不同城市路段的运行速度并记录到数据库中。
更优地，所述数据库中包括时间数据、路段数据和运行速度数据。
更优地，所述步骤S3中根据数据库建立决策树模型的训练过程如下：
S301、在时刻T判断道路M1、M2、···、Ma(a≤n)是否拥堵：
①、若是，则执行步骤S302；
②、若不是，则跳转至步骤S303；
S302、在时刻T判断道路M1、M2、···、Ms(s≤a)是否拥堵：
①、若是，则预测道路M1、M2、···、Ms(s≤a)在T+1时刻非常拥堵；
②、若不是，则预测道路M1、M2、···、Ms(s≤a)在T+1时刻一般拥堵；
S303、监控出租车的数量是否小于等于P：
①、若是，则跳转至步骤S305；
②、若不是，则执行步骤步骤S304；
S304、判断出租车的运行速度是否低于V(5≤V≤15)：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻非常拥堵；
②、若不是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻非常拥堵；
S305、判断是否有2/3的出租车运行速度低于5km/h：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻非常拥堵；
②、若不是，则执行步骤S306；
S306、判断是否有2/3的出租车运行速度低于10km/h：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻中等拥堵；
②、若不是，则执行步骤S307；
S307、判断是否有2/3的出租车运行速度低于15km/h：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻轻松拥堵；
②、若不是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻交通顺畅。
本发明的基于出租车定位预测道路拥堵情况的方法具有以下优点：
(一)、本发明利用出租车的位置，获取出租车的移动信息数据，本身并不是对于个人隐私的侵犯，并且数据的可靠性更高，获取的数据可用性更强；
(二)、利用近几个月的出租车在不同道路不同区段不同时间的运行速度的数据，根据这些数据利用决策树等模型，预测某路段在特定时刻的拥堵情况，以便更好的安排交通工作人员进行有效的疏通，缓解交通拥堵；
(三)、出租车分布在全市的各个范围内，各个路段几乎都会有涉及到，能够保证数据的全面性，预测结果会更加准确，并且获取数据的成本低，在预测道路拥堵情况上，实现了方法的创新；
(四)、本发明主要是应用于道路交通的拥堵预测以及为交通部门提供可靠的依据，以便合理安排外勤人员工作，也旨在更准确快捷的向各车主反映道路情况，以及指导行车路线；
(五)、本发明主要利用出租车定位，获取的出租车道路运行数据，依据不同路段不同时间出租车的运行速度情况；根据获取的出租车交通运行数据，建立决策树预测模型，根据当前道路的出租车运行速度情况，预测未来时刻道路拥堵的情况；解决现在交通出行中如何更好的选择合理形式方案以及为交通管理部门提供未来路段车辆拥堵情况，更加合理安排人员等，优化交通出行方案；
(六)、本发明获取了车租车定位运行数据，根据运行数据，建立预测模型，判断未来某时刻道路拥堵情况；本发明核心点就是使用出租车定位获取不同时刻不同路段的运行数据，建立合适的模型，利用近1周的数据，预测未来时刻道路可能的拥堵情况，在模型方面，建模以及参数调优大规模训练，实现精准有效。
附图说明
下面结合附图对本发明进一步说明。
附图1为计算运行速度V的流程框图；
附图2为决策树模型训练过程的流程框图；
附图3为实施例2中利用百度地图的测距的示意图；
附图4为实施例2中路段A的出租车分布的框图示意图；
附图5为实施例2中判断路段A在T+1时刻是否拥堵的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于出租车定位预测道路拥堵情况的方法作以下详细地说明。
实施例1：
本发明的基于出租车定位预测道路拥堵情况的方法，该方法步骤如下：
S1、构建出租车道路运行记录；其中，构建出租车道路运行记录是通过对出租车安装GPS定位仪器，实时接收出租车的位置信息(现在的定位技术能够保证1m以内误差或者更精确)，获取出租车的地理位置信息，形成出租车道路运行路线，该路线获取的成本低，效率高，实时性可靠。
S2、建立不同时刻不同路段出租车车辆运行速度的统计数据库，数据库中包括时间数据、路段数据和运行速度数据；具体步骤如下：
S201、根据步骤S1构建的出租车道路运行记录，通过地图计算不同时刻的出租车运行距离，并且利用记录的间隔时间，计算出租车的平均运行速度；
S202、根据出租车运行速度设定交通拥堵的等级；交通拥堵的等级划分具体如下：
①、平均速度V≤5km/h，重度拥堵；
②、V≤10km/h，中等拥堵；
③、V≤15km/h，轻度拥堵。
S203、为每一辆监测出租车设定id(唯一)；时间间隔记为T，单位为秒；运行距离记为X，单位为米；运行速度记为V，单位为km/h(通过百度地图计算位置信息距离，在根据时间的间隔计算平均速度)；运行速度V的计算公式为：
V＝X/T；
根据运行速度及步骤S202设定的交通拥堵等级判断该路段是否拥堵，拥堵的标识记为Traf。拥堵的标识记为Traf包括0、1、2和3，其中，0表示重度拥堵；1表示中等拥堵；2表示轻度拥堵；3表示交通顺畅。其中，如附图1所示，计算运行速度V具体步骤如下：
S20301、出租车上的GPS定位仪器发送时刻T，同时发送实时位置信息X1、X2、···、Xn；
S20302、将城市路段划分为M1、M2、···、Mn；
S20303、利用百度地图测距，计算出不同路段的出组成的形式速度V；
S20304、构建出不同时间段，出租车在不同城市路段的运行速度并记录到数据库中。
S3、建立分类预测模型：根据数据库建立决策树模型；如附图2所示，训练过程如下：
S301、在时刻T判断道路M1、M2、···、Ma(a≤n)是否拥堵：
①、若是，则执行步骤S302；
②、若不是，则跳转至步骤S303；
S302、在时刻T判断道路M1、M2、···、Ms(s≤a)是否拥堵：
①、若是，则预测道路M1、M2、···、Ms(s≤a)在T+1时刻非常拥堵；
②、若不是，则预测道路M1、M2、···、Ms(s≤a)在T+1时刻一般拥堵；
S303、监控出租车的数量是否小于等于P：
①、若是，则跳转至步骤S305；
②、若不是，则执行步骤步骤S304；
S304、判断出租车的运行速度是否低于V(5≤V≤15)：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻非常拥堵；
②、若不是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻非常拥堵；
S305、判断是否有2/3的出租车运行速度低于5km/h：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻非常拥堵；
②、若不是，则执行步骤S306；
S306、判断是否有2/3的出租车运行速度低于10km/h：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻中等拥堵；
②、若不是，则执行步骤S307；
S307、判断是否有2/3的出租车运行速度低于15km/h：
①、若是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻轻松拥堵；
②、若不是，则预测道路M1、M2、···、Ma(a≤n)在T+1时刻交通顺畅。
S4、预测与检验：利用1周某路段的出租车运行记录，通过决策树模型，预测特定时刻道路的拥堵情况，并且与未来实际的拥堵情况做比较，根据实际的拥堵情况对决策树模型进行优化，达到符合验收的标准。
实施例2：
实现流程大致需要四部分工作处理：
(1)、数据搜集：实时收录到数据库，如下表所示：
| 车辆 | 路段 | 路段距离 | 到达时间 | 离开时间 |
| a1 | 1 | 2000m | 20180901:12:01:01 | 20180901:12:07:01 |
| a1 | 1 | 2000m | 20180902:13:01:01 | 20180902:13:17:01 |
| a2 | 1 | 2000m | 20180901:08:01:01 | 20180901:08:27:01 |
| a2 | 2 | 1000m | 20180901:18:20:01 | 20180901:18:40:01 |
| a2 | 2 | 1000m | 20180901:08:21:01 | 20180901:08:29:01 |
| a2 | 3 | 500m | 20180903:09:01:01 | 20180903:09:07:01 |
(2)、汇总数据：计算变量(速度等)，判断是否拥堵：
利用百度地图的测距功能，如附图3所示：在5个路段，可以计算出出租车的不同行进速度，根据车辆的行进速度来判断是否拥堵。
拥堵定义：针对车辆的行进速度，设定该路段是否拥堵，如果运行速度低于10KM/H，那么定义为交通拥堵。为车辆在该路段时间点打上是否拥堵标签。
(3)、模型的建立：
通过对数据库中处理好得数据，建立决策树模型，建模过程如下：
模型训练过程：变量(车辆的数量，不同车辆的运行速度，是否拥堵标识)；
示例：T时刻，车辆id＝a1，速度15Km/H,T+1时刻，速度5Km/H；
利用训练集中的数据，假定当前时刻为T，那么T+1时刻的信息，通过数据中的不同id(车租车)查询是否拥堵。
如附图4和5所示，在路段A，T+1时刻有M辆车，如果有M/2辆车的速度低于拥堵的阈值，那么设定该路段为拥堵，而T时刻的路段A的出租车运行情况就可以表现为未来将要拥堵的预警。
(4)、预测与检验：
利用近1周某特定路段的出租车运行记录，通过决策树模型，预测特定时刻道路的拥堵情况，并且与未来实际的拥堵情况做比较，根据结果对模型进行优化，达到符合验收的标准。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (7)
1.一种基于出租车定位预测道路拥堵情况的方法，其特征在于，该方法步骤如下：
S1、构建出租车道路运行记录；
S2、建立不同时刻不同路段出租车车辆运行速度的统计数据库；
S3、建立分类预测模型：根据数据库建立决策树模型；训练过程如下：
S301、在时刻T判断道路M1、M2、···、Ma是否拥堵，其中，a≤n：
①、若是，则执行步骤S302；
②、若不是，则跳转至步骤S303；
S302、在时刻T判断道路M1、M2、···、Ms是否拥堵，其中，s≤a：
①、若是，则预测道路M1、M2、···、Ms在T+1时刻非常拥堵；
②、若不是，则预测道路M1、M2、···、Ms在T+1时刻一般拥堵；
S303、监控出租车的数量是否小于等于P：
①、若是，则跳转至步骤S305；
②、若不是，则执行步骤步骤S304；
S304、判断出租车的运行速度是否低于V，其中，5≤V≤15：
①、若是，则预测道路M1、M2、···、Ma在T+1时刻非常拥堵；
②、若不是，则预测道路M1、M2、···、Ma在T+1时刻非常拥堵；
S305、判断是否有2/3的出租车运行速度低于5km/h：
①、若是，则预测道路M1、M2、···、Ma在T+1时刻非常拥堵；
②、若不是，则执行步骤S306；
S306、判断是否有2/3的出租车运行速度低于10km/h：
①、若是，则预测道路M1、M2、···、Ma在T+1时刻中等拥堵；
②、若不是，则执行步骤S307；
S307、判断是否有2/3的出租车运行速度低于15km/h：
①、若是，则预测道路M1、M2、···、Ma在T+1时刻轻松拥堵；
②、若不是，则预测道路M1、M2、···、Ma在T+1时刻交通顺畅；
S4、预测与检验：利用1周某路段的出租车运行记录，通过决策树模型，预测特定时刻道路的拥堵情况，并且与未来实际的拥堵情况做比较，根据实际的拥堵情况对决策树模型进行优化，达到符合验收的标准。
2.根据权利要求1所述的基于出租车定位预测道路拥堵情况的方法，其特征在于，所述步骤S1中构建出租车道路运行记录是通过对出租车安装GPS定位仪器，实时接收出租车的位置信息，获取出租车的地理位置信息，形成出租车道路运行路线。
3.根据权利要求1或2所述的基于出租车定位预测道路拥堵情况的方法，其特征在于，所述步骤S2中建立不同时刻不同路段出租车车辆运行速度的统计数据库的具体步骤如下：
S201、根据步骤S1构建的出租车道路运行记录，通过地图计算不同时刻的出租车运行距离，并且利用记录的间隔时间，计算出租车的平均运行速度；
S202、根据出租车运行速度设定交通拥堵的等级；
S203、为每一辆监测出租车设定id；时间间隔记为T，单位为秒；运行距离记为X，单位为米；运行速度记为V，单位为km/h；运行速度V的计算公式为：
V＝X/T；
根据运行速度及步骤S202设定的交通拥堵等级判断该路段是否拥堵，拥堵的标识记为Traf。
4.根据权利要求3所述的基于出租车定位预测道路拥堵情况的方法，其特征在于，所述步骤S202中交通拥堵的等级划分具体如下：
①、平均速度V≤5km/h，重度拥堵；
②、V≤10km/h，中等拥堵；
③、V≤15km/h，轻度拥堵。
5.根据权利要求4所述的基于出租车定位预测道路拥堵情况的方法，其特征在于，所述步骤S203中拥堵的标识记为Traf包括0、1、2和3，其中，0表示重度拥堵；1表示中等拥堵；2表示轻度拥堵；3表示交通顺畅。
6.根据权利要求5所述的基于出租车定位预测道路拥堵情况的方法，其特征在于，所述步骤S203中计算运行速度V具体步骤如下：
S20301、出租车上的GPS定位仪器发送时刻T，同时发送实时位置信息X1、X2、···、Xn；
S20302、将城市路段划分为M1、M2、···、Mn；
S20303、利用百度地图测距，计算出不同路段的出组成的形式速度V；
S20304、构建出不同时间段，出租车在不同城市路段的运行速度并记录到数据库中。
7.根据权利要求6所述的基于出租车定位预测道路拥堵情况的方法，其特征在于，所述数据库中包括时间数据、路段数据和运行速度数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150964.7A CN109754606B (zh) | 2019-02-28 | 2019-02-28 | 一种基于出租车定位预测道路拥堵情况的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150964.7A CN109754606B (zh) | 2019-02-28 | 2019-02-28 | 一种基于出租车定位预测道路拥堵情况的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754606A CN109754606A (zh) | 2019-05-14 |
| CN109754606B true CN109754606B (zh) | 2021-08-31 |
Family
ID=66407892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910150964.7A Active CN109754606B (zh) | 2019-02-28 | 2019-02-28 | 一种基于出租车定位预测道路拥堵情况的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754606B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417953B (zh) * | 2020-10-12 | 2022-07-19 | 腾讯科技（深圳）有限公司 | 道路状况检测和地图数据更新方法、装置、系统及设备 |
| CN114852135B (zh) * | 2022-07-08 | 2022-10-04 | 八维通科技有限公司 | 基于大数据的类轨道交通行驶预测方法 |
| CN115798212B (zh) * | 2022-11-23 | 2024-05-14 | 江西师范大学 | 一种基于出租车轨迹的交通拥堵检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5862244A (en) * | 1995-07-13 | 1999-01-19 | Motorola, Inc. | Satellite traffic reporting system and methods |
| CN103810849A (zh) * | 2012-11-15 | 2014-05-21 | 北京掌城科技有限公司 | 一种基于浮动车数据的交通流变化趋势提取方法 |
| CN104021672A (zh) * | 2014-06-09 | 2014-09-03 | 北京世纪高通科技有限公司 | 一种获取交通拥堵指数的方法和装置 |
| CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
| CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
| CN109035778A (zh) * | 2018-08-29 | 2018-12-18 | 深圳市赛为智能股份有限公司 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
| CN109191840A (zh) * | 2018-09-13 | 2019-01-11 | 电子科技大学 | 一种基于智能终端的实时交通状况判定方法 |
-
2019
- 2019-02-28 CN CN201910150964.7A patent/CN109754606B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5862244A (en) * | 1995-07-13 | 1999-01-19 | Motorola, Inc. | Satellite traffic reporting system and methods |
| CN103810849A (zh) * | 2012-11-15 | 2014-05-21 | 北京掌城科技有限公司 | 一种基于浮动车数据的交通流变化趋势提取方法 |
| CN104021672A (zh) * | 2014-06-09 | 2014-09-03 | 北京世纪高通科技有限公司 | 一种获取交通拥堵指数的方法和装置 |
| CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
| CN105243841A (zh) * | 2015-10-10 | 2016-01-13 | 苏州派瑞雷尔智能科技有限公司 | 基于网页地图的实时路况采集与预测方法 |
| CN109035778A (zh) * | 2018-08-29 | 2018-12-18 | 深圳市赛为智能股份有限公司 | 拥堵成因分析方法、装置、计算机设备及存储介质 |
| CN109191840A (zh) * | 2018-09-13 | 2019-01-11 | 电子科技大学 | 一种基于智能终端的实时交通状况判定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据挖掘技术的交通拥挤检测及应用;华楠;《中国优秀硕士学位论文全文数据库信息科技辑》;20090715(第7期);第3-4章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754606A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
| EP1532600B1 (en) | Apparatus and method for providing traffic information | |
| CN109754606B (zh) | 一种基于出租车定位预测道路拥堵情况的方法 | |
| EP1918895A2 (en) | Apparatus and method for providing traffic information | |
| CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
| CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
| CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
| CN104123833A (zh) | 一种道路状况的规划方法和装置 | |
| CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
| CN101739839A (zh) | 车辆动态路径导航系统 | |
| CN103903468A (zh) | 道路拥堵时间预警方法及装置 | |
| CN110633558B (zh) | 一种城市交通系统建模系统 | |
| CN108090722A (zh) | 一种基于gps的物流网络站点识别设备与识别方法 | |
| CN113901109B (zh) | 城际公路客货车出行方式总人数及时间分布的计算方法 | |
| JP2018054343A (ja) | 交通障害リスク表示装置 | |
| Liu et al. | Safernet: Safe transportation routing in the era of internet of vehicles and mobile crowd sensing | |
| JP2018055207A (ja) | 交通障害リスク予測装置 | |
| CN114708746A (zh) | 智慧城市的交通信号提示方法及系统 | |
| CN104599499A (zh) | 一种分布式统计交通位置的方法及装置 | |
| CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
| CN114971085B (zh) | 一种公交站点可达性的预测方法、系统及存储介质 | |
| CN112053570B (zh) | 一种城市交通路网运行状态监测评价方法及系统 | |
| Makhloga | IMPROVING INDIA’S TRAFFIC MANAGEMENT USING INTELLIGENT TRANSPORTATION SYSTEMS | |
| TWM613926U (zh) | 追蹤生活足跡之系統 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190710 Address after: 214029 No. 999 Gaolang East Road, Binhu District, Wuxi City, Jiangsu Province (Software Development Building) 707 Applicant after: Chaozhou Zhuoshu Big Data Industry Development Co., Ltd. Address before: 250100 S06 tower, 1036, Chao Lu Road, hi tech Zone, Ji'nan, Shandong. Applicant before: Shandong Tidal Cloud Information Technology Co., Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |