CN109785622A - 一种基于车载电子标签技术的拥堵区域识别方法 - Google Patents
一种基于车载电子标签技术的拥堵区域识别方法 Download PDFInfo
- Publication number
- CN109785622A CN109785622A CN201910109034.7A CN201910109034A CN109785622A CN 109785622 A CN109785622 A CN 109785622A CN 201910109034 A CN201910109034 A CN 201910109034A CN 109785622 A CN109785622 A CN 109785622A
- Authority
- CN
- China
- Prior art keywords
- base station
- base stations
- level
- travel
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000005457 optimization Methods 0.000 abstract description 6
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 230000004907 flux Effects 0.000 abstract 1
- 239000006185 dispersion Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011425 standardization method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车载电子标签技术的拥堵区域识别方法,包括基于车载电子标签数据获取出行OD矩阵、基站出行强度划分、拥堵区域识别。出行OD矩阵以基站为起讫点,依据过车时间、车牌号属性对各基站数据进行匹配以获取各基站对的流量流向,经统计得到居民出行OD矩阵。在OD矩阵基础上借助离差标准化计算各基站的出行强度,并结合出行强度与服务水平的关系对电子标签基站进行出行强度等级划分,为拥堵区域识别、基站维护方案制定及基站布局优化设计提供依据,避免了当前拥堵区域识别、基站维护及布局优化的盲目性。
Description
技术领域
本发明属于智能交通领域,涉及一种基于出行强度判别的拥堵区域识别方法。
背景技术
居民出行OD矩阵是研究不同区域间出行强度、出行规律的基础,对于居民出行OD矩阵的构建有两种主流方法,一种是基于理论计算的OD矩阵获取,该方法以土地利用性质、城市发展趋势、人口及机动车保有量等城市规划数据为基础,借助出行产生、吸引率及增长率等方法通过理论计算获取居民出行OD矩阵。另一种是基于人工调查的OD矩阵获取,当前主要有问卷调查法及GPS数据法等,通过实际调查直接获取居民出行OD矩阵。但基于理论计算的OD矩阵获取涉及较多模型,而这些模型的适应性及其有限,造成通过该方法获取OD数据的主观随意性较强,往往与实际不符。基于实际调查的OD矩阵获取虽然客观反映了时间出行情况,但耗费的资金及精力极大。
而车载电子标签技术作为一种无线通信技术,作为当前进行动态交通数据采集的重要途径,在获取交通数据方面具有造价低、识别快的特征,车载电子标签技术通过无线电讯号识别特定车辆并读写相关数据,无需识别系统与目标间建立机械或者光学接触即可实现车辆的自动辨识与追踪,可便捷地获取大量交通数据,为实现居民出行OD矩阵获取。但目前车载电子标签技术作为一种新型技术,为实现即时收益,现阶段多集中于它的应用研究,主要涉及停车收费、门禁及货物运输等基层业务,电子标签基站数量众多。国内尚没有对大量电子标签数据所隐含的交通规律进行深入研究,发掘数据背后所产生的效益,致使诸多城市对交通异常状态难以被有效识别,制定的交通管控方案缺乏全面的数据支撑,在基站优化设计方面也没有一套完整的基站网络的维护体系,缺乏基站重要程度的确定方法,在给定时间、资金情况下难以对数量庞大的基站进行集约化的管理与维护。
发明内容
技术问题:本发明提供了一种高效、便捷地获取居民出行OD矩阵,对出行强度进行分析,并能识别重要基站位置的基于车载电子标签技术的拥堵区域识别方法,该方法实现了基站OD矩阵的获取和重要车载电子标签基站的识别,可为拥堵区域识别、重要基站识别、维护及管理提供依据。
技术方案:本发明的基于车载电子标签技术的拥堵区域识别方法,包括以下步骤:
1)以各基站为出行的起讫点,将各基站过车数据按过车时间、车牌号进行匹配,获取各基站对之间的流量,并最终汇总为OD矩阵;
2)对所述OD矩阵中的机动车出行量进行离差标准化处理,获得各基站对间的实际出行强度;
3)根据各级服务水平的交通负荷上限值计算各级出行强度阈值,进而实现出行强度等级划分;
4)将各基站对之间的实际出行强度与各级出行强度区间进行匹配,识别出各基站的出行强度等级;
5)依据OD矩阵、各基站的出行强度等级,进行拥堵区域识别。
进一步的,本发明方法中,所述步骤1)具体步骤如下:
1.1)对于时间汇集度T内基站i采集到ni个车牌号基站j采集到nj个车牌号从P1,i开始,在基站j的车牌数据中匹配与P1,i相同的车牌号,若基站j存在P1,i,则将这个车牌记为P1,ij,否则在基站j中匹配下一个车牌号P2,i,直至遍历基站i的ni个车牌号;
1.2)将基站i、j匹配到的mij个车牌号记为同时获取其通过基站i的时间通过基站j的时间定义变量u、v,若x为正整数,取值范围[1,mij],则令u=0,v=1,否则令u=1,v=0,据此获取时间汇集度T内,基站i至j的流量基站j至i的流量
1.3)将时间汇集度T内基站i至j的流量qij转化为基站i至j的单位时间标准出行量将时间汇集度T内基站j至i的流量qji转化为基站j至i的单位时间标准出行量其中T0为单位标准时间,取1小时,遍历所有基站获取各基站间的单位时间标准出行量,进而构造OD矩阵D。
进一步的,本发明方法中,所述步骤2)中基站对间的实际出行强度根据下式计算获得:
其中,为基站对i、j间的实际出行强度;Qmax为矩阵D中的最大值,也即各基站对之间的最大流量值;Qmax为矩阵D中的最小值,也即各基站对之间的最小流量值。
进一步的,本发明方法中,所述步骤3)中根据下式计算各级出行强度阈值:
其中,为基站对i、j间交通负荷处于k级服务水平上限时的出行强度,也即k级出行强度阈值;LOSk为k级服务水平时的交通负荷上限值;Cij为基站对i、j间的道路通行能力加权值。
进一步的,本发明方法中,所述基站对i、j间的道路通行能力加权值Cij为:
其中,N为基站对i、j间各种道路类型的数量;为基站对i、j间道路类型n的通行能力;为基站对i、j间道路类型n的长度;Lij为基站对i、j间道路总长度。
进一步的,本发明方法中,所述步骤3)中出行强度等级划分区间为:一级出行强度区间二级出行强度区间三级出行强度区间四级出行强度区间
进一步的,本发明方法中,所述步骤4)中重要基站的识别方法为:若则基站i,j及途径基站为重要基站;若 则基站i,j及途径基站为较重要基站;若则基站i,j及途径基站为一般基站;若则基站i,j及途径基站为普通基站。
一方面,提供了一种基于车载电子标签技术的居民出行OD矩阵获取方法。将各基站作为出行起讫点,并将基站采集的车载电子标签数据所包含的过车时间、车牌号属性进行匹配,由匹配数据统计得到各基站对的流量,最后将统计得到的流量汇总为OD矩阵的形式。
进一步地,居民出行OD矩阵获取包含车载电子标签数据匹配、流量统计及OD矩阵获取三步,具体步骤如下:
Step 1对于时间汇集度T内基站i采集到ni个车牌号基站j采集到nj个车牌号从P1,i开始,在基站j的车牌数据中匹配与P1,i相同的车牌号,若基站j存在P1,i,则将这个车牌记为P1,ij,否则在基站j中匹配下一个车牌号P2,i,直至遍历基站i的ni个车牌号;
Step 2将基站i、j匹配到的mij个车牌号记为同时获取其通过基站i的时间通过基站j的时间定义变量u、v,若x为正整数,取值范围[1,mij],则令u=0,v=1,否则令u=1,v=0,据此获取时间汇集度T内,基站i至j的流量基站j至i的流量
Step 3将时间汇集度T内基站i至j的流量qij转化为基站i至j的单位时间标准出行量将时间汇集度T内基站j至i的流量qji转化为基站j至i的单位时间标准出行量其中T0为单位标准时间,取1小时,遍历所有基站获取各基站间的单位时间标准出行量,进而构造OD矩阵D:
另一方面,提供了一种重要基站的识别方法。首先,在OD矩阵基础上,结合离差标准化方法给出了出行强度的计算方法;其次,结合出行强度与道路服务水平的关系确定各级出行强度阈值;然后,依据各级出行强度阈值对基站间的出行强度进行等级划分;最后,将实际出行强度与各级出行强度取值范围进行匹配,实现重要基站的识别。
首先,以OD矩阵为基础,采用离差标准化方法确定出行强度:
式中,为基站对i、j间的实际出行强度;Qmax为矩阵D中的最大值,也即各基站对之间的最大流量值;Qmax为矩阵D中的最小值,也即各基站对之间的最小流量值。
其次,根据各级服务水平下的交通负荷上限值,确定各级出行强度阈值:
式中,为基站对i、j间交通负荷处于k级服务水平上限时的出行强度,也即k级出行强度阈值;LOSk为k级服务水平时的交通负荷上限值。
进一步地,Cij为基站i、j间各类型道路通行能力加权值,加权值依据各类型道路通行能力及长度占比确定:
式中,N为基站i、j间各种道路类型的数量,为基站i、j间道路类型n的通行能力,为基站i、j间道路类型n的长度,Lij为基站i、j间道路总长度。
然后,依据各级出行强度阈值即可获取基站间出行强度的等级划分方法。我国将道路服务水平分为四级,给定一级服务水平中交通负荷的上限值LOS1、二级服务水平中交通负荷的上限值LOS2、三级服务水平中交通负荷的上限值LOS3、四级级服务水平中交通负荷的上限值LOS4,据此可将基站间的出行强度分为四级:一级出行强度区间为二级出行强度区间为三级出行强度区间为四级出行强度区间为
最后,将实际出行强度与各级出行强度的取值范围进行匹配,进而实现重要基站的识别:
本发明通过车载电子标签中的过车时间、车牌号属性对驶过基站的车辆数据进行了匹配,实现了基站OD矩阵的获取。在OD矩阵基础上,结合离差标准化方法给给出了出行强度的计算方法,并进一步结合出行强度与道路服务水平的关系实现了出行强度的等级划分。将各基站对之间的实际出行强度与各级出行强度区间进行匹配,实现了重要车载电子标签基站的识别。本发明可为重要基站的识别、维护、管理提供依据。
有益效果:本发明与现有技术相比,具有以下优点:
在居民出行OD获取方面,当前出行OD矩阵的构建有基于模型理论计算的OD获取及基于实际调查的OD获取两种方法,但基于模型理论计算的OD矩阵获取涉及较多模型,而这些模型的适应性及其有限,造成通过该方法获取OD数据的主观随意性较强,往往与实际不符。基于实际调查的OD矩阵获取虽然客观反映了时间出行情况,但耗费的资金及精力极大。在交通数据运用方面,国内尚没有对大量电子标签数据所隐含的交通规律进行深入研究,发掘数据背后所产生的效益,致使诸多城市对交通异常状态难以被有效识别,制定的交通管控方案缺乏全面的数据支撑。在电子标签基站管理与维护方面,国内尚没有一套完整的基站网络的维护体系,缺乏基站重要程度的确定方法,在给定时间、资金情况下难以对数量庞大的基站进行集约化的管理与维护。
本发明借助车载电子标签数据中过车时间、车牌号属性的匹配,提出了一种新的居民出行OD数据的获取方法。进一步地,本发明还提出了基站间出行强度等级的划分方法,实现了重要基站的识别,为交通拥堵区域的识别、基站的布设、维护与管理提供了参考。
附图说明
图1为本发明的总体流程图;
图2为居民出行量OD矩阵获取流程图;
图3为基站出行强度等级划分流程图。
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作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。
如图1所示,本发明提供了一种基于车载电子标签技术的拥堵区域识别方法,该方法建立在车载电子标签的过车时间、车牌号数据基础上,主要包含以下两步:1)居民出行OD矩阵获取;2)基站出行强度等级划分。
如图2所示,装有电子标签的车辆途径基站时,基站将会采集车辆数据,每条数据包含过车时间、车牌号、车速、方向等属性信息。给定时间汇集度,可查询该时间段内任意两基站的车辆数据,借助基站车牌号的匹配及数量统计即可获取这两基站间的流量,再依据过车时间的顺序即可判定流向,对不同流向的流量进行标准化及统计即可获取两个基站间的OD量,遍历所有基站对最终得到居民出行OD矩阵。
其中,时间汇集度是指车载电子标签数据的采集时间,为避免车辆到达随机性的干扰,时间汇集度不应太小,通常取值范围为30-60min。
其中,流量标准化是指将时间汇集度下的流量转化为单位时间的流量数据,更加符合交通中关于流量的定义,更重要的是便于后续结合服务水平对出行强度进行分级。
所述居民出行OD矩阵获取包含基站车载电子标签数据匹配、流量统计及OD矩阵获取三部分,具体步骤如下:
Step 1对于时间汇集度T内基站i采集到ni个车牌号基站j采集到nj个车牌号从P1,i开始,在基站j的车牌数据中匹配与P1,i相同的车牌号,若基站j存在P1,i,则将这个车牌记为P1,ij,否则在基站j中匹配下一个车牌号P2,i,直至遍历基站i的ni个车牌号;
Step 2将基站i、j匹配到的mij个车牌号记为同时获取其通过基站i的时间通过基站j的时间定义变量u、v,若x为正整数,取值范围[1,mij],则令u=0,v=1,否则令u=1,v=0,据此获取时间汇集度T内,基站i至j的流量基站j至i的流量
Step 3将时间汇集度T内基站i至j的流量qij转化为基站i至j的单位时间标准出行量将时间汇集度T内基站j至i的流量qji转化为基站j至i的单位时间标准出行量其中T0为单位标准时间,取1小时,遍历所有基站获取各基站间的单位时间标准出行量,进而构造OD矩阵D:
另一方面,提供了一种重要基站的识别方法。首先,在OD矩阵基础上,结合离差标准化方法给出了出行强度的计算方法;其次,结合出行强度与道路服务水平的关系确定各级出行强度阈值;然后,依据各级出行强度阈值对基站间的出行强度进行等级划分;最后,将实际出行强度与各级出行强度取值范围进行匹配,实现重要基站的识别。
如图3所示,基站间出行强度等级划分包含三个步骤,首先,在OD矩阵基础上,结合离差标准化确定出行强度的计算方法;然后,结合出行强度与道路服务水平的关系确定各级服务水平的出行强度阈值;最后,依据各级出行强度阈值对基站间的出行强度进行等级划分。
首先,以OD矩阵为基础,采用离差标准化方法确定出行强度:
式中,为基站对i、j间的实际出行强度;Qmax为矩阵D中的最大值,也即各基站对之间的最大流量值;Qmax为矩阵D中的最小值,也即各基站对之间的最小流量值。
然后,其中,依据服务水平与出行强度的关系确定各级服务水平下的出行强度阈值:
式中,为基站i、j间交通负荷取k级服务水平上限值时的出行强度,也即k级出行强度;LOSk为k级服务水平中交通负荷的上限值;Cij为基站i、j间的道路通行能力加权值。
进一步地,Cij为基站i、j间各类型道路通行能力加权值,加权值依据各类型道路通行能力及长度占比确定:
式中,N为基站i、j间各种道路类型的数量,为基站i、j间道路类型n的通行能力,为基站i、j间道路类型n的长度,Lij为基站i、j间道路总长度。
最后,依据各级出行强度阈值构造基站间出行强度的等级划分方法。我国将道路服务水平分为四级,给定一级服务水平中交通负荷的上限值LOS1、二级服务水平中交通负荷的上限值LOS2、三级服务水平中交通负荷的上限值LOS3、四级服务水平中交通负荷的上限值LOS4,即可将基站间的出行强度分为四级:一级出行强度区间为二级出行强度区间为三级出行强度区间为四级出行强度区间为
最终,将实际出行强度与各级出行强度的取值范围进行匹配,进而实现重要基站的识别:
在城市路段布设电子标签基站实现对出行OD矩阵的获取、基站重要等级的划分,可进行拥堵区域识别、基站维护方案制定及基站优化布局,避免了当前基站维护及布局优化的盲目性,确保了方案的正确性、合理性并符合实际交通状况。
本发明方法中,可以依据出行OD矩阵、基站重要等级进行拥堵区域识别,包括以下步骤:
Step 1给定需要进行拥堵区域识别的时段,依据前述OD矩阵获取方法及基站重要等级的划分方法,获取研究区域内所有基站间的出行OD矩阵及基站的重要程度;
Step 2通过出行OD矩阵,获取途径基站的流量数据,并结合检测器所处路段的通行能力及平均流量计算交通负荷。其中,路段通行能力依据其等级、车道数,结合规范获取;
Step 3将重要等级为“较重要、重要”或交通负荷大于拥堵负荷的基站位置称为拥堵点。其中,拥堵负荷取相关规范中四级服务水平所对应的交通负荷;
Step 4获取研究区域内所有拥堵点,借助DBSCAN空间聚类算法获取主要拥堵区域。
本发明的主要发明点和创新在于对拥堵区域进行识别之前的步骤和内容。上述Step1至Step4对拥堵区域进行识别的步骤是现有常规技术手段,本发明除了采用这一识别过程外,还可以采用其他现有已知的方法,只要能实现对拥堵区域的识别即可。
进一步的,本发明中,还可以在拥堵区域识别的基础上进行交通诱导,即对于拥堵区域,交通管理部门借助周边道路制定交通诱导方案,并通过广播告知驾驶员。
本发明中,还可基于依据有出行OD矩阵、基站重要等级,在对基站进行维护时,若时间集资金有限,则考虑效益最大化,只对等级较高的基站进行维护。若时间资金不受限制,可制定分期维护方案,优先维护重要度等级较高的基站,后维护重要度等级低的基站。
本发明中,还可基于依据有出行OD矩阵、基站重要等级在对基站进行布局优化时,对于间距较大且等级较高的基站,根据实际需求进行基站加密布局,以采集到更加充分的交通数据,为异常交通状态识别提供依据,便于精确定位拥堵点、事故点。
最后应说明的是:尽管就本发明方法进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改,这些对本发明权利要求进行改进的技术方案,均落入本发明的保护范围。
Claims (7)
1.一种基于车载电子标签技术的拥堵区域识别方法,其特征在于,该方法包括以下步骤:
1)以各基站为出行的起讫点,将各基站过车数据按过车时间、车牌号进行匹配,获取各基站对之间的流量,并最终汇总为OD矩阵;
2)对所述OD矩阵中的机动车出行量进行离差标准化处理,获得各基站对间的实际出行强度;
3)根据各级服务水平的交通负荷上限值计算各级出行强度阈值,进而实现出行强度等级划分;
4)将各基站对之间的实际出行强度与各级出行强度区间进行匹配,识别出各基站的出行强度等级;
5)依据OD矩阵、各基站的出行强度等级,进行拥堵区域识别。
2.根据权利要求1所述的一种基于车载电子标签技术的拥堵区域识别方法,其特征在于,所述步骤1)具体步骤如下:
1.1)对于时间汇集度T内基站i采集到ni个车牌号基站j采集到nj个车牌号从P1,i开始,在基站j的车牌数据中匹配与P1,i相同的车牌号,若基站j存在P1,i,则将这个车牌记为P1,ij,否则在基站j中匹配下一个车牌号P2,i,直至遍历基站i的ni个车牌号;
1.2)将基站i、j匹配到的mij个车牌号记为同时获取其通过基站i的时间通过基站j的时间定义变量u、v,若x为正整数,取值范围[1,mij],则令u=0,v=1,否则令u=1,v=0,据此获取时间汇集度T内,基站i至j的流量基站j至i的流量
1.3)将时间汇集度T内基站i至j的流量qij转化为基站i至j的单位时间标准出行量将时间汇集度T内基站j至i的流量qji转化为基站j至i的单位时间标准出行量其中T0为单位标准时间,取1小时,遍历所有基站获取各基站间的单位时间标准出行量,进而构造OD矩阵D。
3.根据权利要求1所述的一种基于车载电子标签技术的拥堵区域识别方法,其特征在于,所述步骤2)中基站对间的实际出行强度根据下式计算获得:
其中,为基站对i、j间的实际出行强度;Qmax为矩阵D中的最大值,也即各基站对之间的最大流量值;Qmax为矩阵D中的最小值,也即各基站对之间的最小流量值。
4.根据权利要求1、2或3所述的一种基于车载电子标签技术的拥堵区域识别方法,其特征在于,所述步骤3)中根据下式计算各级出行强度阈值:
其中,为基站对i、j间交通负荷处于k级服务水平上限时的出行强度,也即k级出行强度阈值;LOSk为k级服务水平时的交通负荷上限值;Cij为基站对i、j间的道路通行能力加权值。
5.根据权利要求4所述的一种基于车载电子标签技术的拥堵区域识别方法,其特征在于,所述基站对i、j间的道路通行能力加权值Cij为:
其中,N为基站对i、j间各种道路类型的数量;为基站对i、j间道路类型n的通行能力;为基站对i、j间道路类型n的长度;Lij为基站对i、j间道路总长度。
6.根据权利要求5所述的一种基于车载电子标签技术的拥堵区域识别方法,其特征在于,所述步骤3)中出行强度等级划分区间为:一级出行强度区间二级出行强度区间三级出行强度区间四级出行强度区间
7.根据权利要求4所述的一种基于车载电子标签技术的拥堵区域识别方法,其特征在于,所述步骤4)中重要基站的识别方法为:若则基站i,j及途径基站为重要基站;若则基站i,j及途径基站为较重要基站;若则基站i,j及途径基站为一般基站;若则基站i,j及途径基站为普通基站。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811466740 | 2018-12-03 | ||
CN2018114667409 | 2018-12-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109785622A true CN109785622A (zh) | 2019-05-21 |
CN109785622B CN109785622B (zh) | 2020-12-11 |
Family
ID=66504274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910109034.7A Active CN109785622B (zh) | 2018-12-03 | 2019-02-03 | 一种基于车载电子标签技术的拥堵区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785622B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364344A (zh) * | 2008-06-27 | 2009-02-11 | 北京工业大学 | 基于压力测试的路网极限容量确定方法 |
CN103500504A (zh) * | 2013-09-30 | 2014-01-08 | 同济大学 | 基于rfid数据的城市道路交通参数估计与路况判别方法及应用系统 |
CN104298832A (zh) * | 2014-10-27 | 2015-01-21 | 东南大学 | 一种基于rfid技术的路网交通流分析方法 |
CN104732765A (zh) * | 2015-03-30 | 2015-06-24 | 杭州电子科技大学 | 基于卡口数据的城市道路饱和度实时监测方法 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
CN105719494A (zh) * | 2015-12-23 | 2016-06-29 | 青岛理工大学 | 一种潮汐车道与变向车道协同优化的交通绿波协调控制技术 |
CN105869405A (zh) * | 2016-05-25 | 2016-08-17 | 银江股份有限公司 | 基于卡口数据的城市道路交通拥堵指数计算方法 |
US9564048B2 (en) * | 2014-12-18 | 2017-02-07 | Sap Se | Origin destination estimation based on vehicle trajectory data |
CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
CN108550261A (zh) * | 2018-05-31 | 2018-09-18 | 重庆大学 | 基于rfid电子车牌的城市交通od计算方法 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
-
2019
- 2019-02-03 CN CN201910109034.7A patent/CN109785622B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364344A (zh) * | 2008-06-27 | 2009-02-11 | 北京工业大学 | 基于压力测试的路网极限容量确定方法 |
CN103500504A (zh) * | 2013-09-30 | 2014-01-08 | 同济大学 | 基于rfid数据的城市道路交通参数估计与路况判别方法及应用系统 |
CN104298832A (zh) * | 2014-10-27 | 2015-01-21 | 东南大学 | 一种基于rfid技术的路网交通流分析方法 |
US9564048B2 (en) * | 2014-12-18 | 2017-02-07 | Sap Se | Origin destination estimation based on vehicle trajectory data |
CN104732765A (zh) * | 2015-03-30 | 2015-06-24 | 杭州电子科技大学 | 基于卡口数据的城市道路饱和度实时监测方法 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
CN105719494A (zh) * | 2015-12-23 | 2016-06-29 | 青岛理工大学 | 一种潮汐车道与变向车道协同优化的交通绿波协调控制技术 |
CN105869405A (zh) * | 2016-05-25 | 2016-08-17 | 银江股份有限公司 | 基于卡口数据的城市道路交通拥堵指数计算方法 |
CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
CN108550261A (zh) * | 2018-05-31 | 2018-09-18 | 重庆大学 | 基于rfid电子车牌的城市交通od计算方法 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
Non-Patent Citations (9)
Title |
---|
KITIPONG PRAPHANANURAK等: ""A Framework for Origin-Destination Estimation Using License Plate Recognition for Thai Rural Traffic"", 《2017 9TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY AND ELECTRICAL ENGINEERING》 * |
TAN GUOZHEN等: ""Dynamic OD estimation using Automatic Vehicle Location information"", 《 2011 6TH IEEE JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE》 * |
刘畅: ""交通拥堵区域的发现与预测技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
刘畅等: "基于DBSCAN算法的城市交通拥堵区域发现", 《智能计算机与应用》 * |
周强等: "考虑道路等级和拥堵惩罚的城市路网平均负荷度计算", 《公路与汽运》 * |
武兴业等: "基于GPS轨迹的城市拥堵区域挖掘与分析", 《计算机技术与发展》 * |
赵晓晓等: "基于RFID的城市路网OD矩阵获取方法及时空特性分析", 《交通信息与安全》 * |
郭鹏: ""基于RFID数据的城市路网交通运行态势识别技术及应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
高宁波等: ""基于RFID的道路交通拥堵信息识别模型"", 《交通科技与经济》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109785622B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10573173B2 (en) | Vehicle type identification method and device based on mobile phone data | |
CN108335485B (zh) | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN113570864B (zh) | 一种电动自行车行驶路径匹配方法、设备及存储介质 | |
CN109658693B (zh) | 一种路况信息获取和处理的方法及装置 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
Wang et al. | Automatic estimation method for intersection saturation flow rate based on video detector data | |
Liu et al. | Safernet: Safe transportation routing in the era of internet of vehicles and mobile crowd sensing | |
CN114267173A (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
CN113538907B (zh) | 一种基于交通流分级的行车时间估计系统 | |
Qin et al. | Analysis on cruising process for on‐street parking using an spectral clustering method | |
CN110827537A (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN112435485B (zh) | 一种用于车路信息协同的系统 | |
CN113963550B (zh) | 一种多义路径识别方法、装置及电子设备 | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、系统及储存介质 | |
Zhang et al. | Bi-national delay pattern analysis for commercial and passenger vehicles at niagara frontier border | |
CN109785622B (zh) | 一种基于车载电子标签技术的拥堵区域识别方法 | |
CN115641721B (zh) | 多来源交通流指标融合及基于融合指标的路况计算方法 | |
Ritchie et al. | Field investigation of advanced vehicle reidentification techniques and detector technologies-Phase 1 | |
Chatterjee et al. | Level of service criteria on Indian multilane highways based on platoon characteristics | |
Barlovic et al. | Online traffic simulation with cellular automata | |
CN114664060A (zh) | 一种交通事件的预警方法、装置、设备及存储介质 | |
CN112289063A (zh) | 基于物联网的智慧城市数据迁移存储管理系统 | |
CN113538908B (zh) | 一种基于组合特征参数的路况分区系统 |
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 |