CN109859477B - 一种拥堵数据的确定方法和装置 - Google Patents
一种拥堵数据的确定方法和装置 Download PDFInfo
- Publication number
- CN109859477B CN109859477B CN201910200150.XA CN201910200150A CN109859477B CN 109859477 B CN109859477 B CN 109859477B CN 201910200150 A CN201910200150 A CN 201910200150A CN 109859477 B CN109859477 B CN 109859477B
- Authority
- CN
- China
- Prior art keywords
- data
- congestion
- nonlinear
- regression model
- output
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种拥堵数据的确定方法和装置,所述方法包括:根据获取到的路段数据,确定路段的特征信息,该特征信息包括平均速度、车流密度、速度阈值以及数据有效值;根据特征信息,利用预先确定的拥堵模型确定拥堵数据,拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。因此,能够基于路段的多个特征信息,利用非线性回归模型和类逻辑回归模型进行拥堵数据的确定,克服基于单一指标所确定的拥堵数据的准确率的问题,提升拥堵数据的准确率,简化计算操作。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种拥堵数据的确定方法和装置。
背景技术
对于城市道路或者高速公路的拥堵情况,目前常用的指标都是基于单一指标的。例如,北京市基于出行时间、美国联邦车辆管理局基于出行延误时间、欧洲INRIX公司的数据是基于实际速度与自由流速度的比值。但高速公路上由于卡口少且收费站测量数据不准确的情况下,基于单一指标所确定的拥堵指数,都会由于数据质量较低而导致拥堵指数计算结果不准确。
发明内容
鉴于上述问题,本申请实施例提供一种拥堵数据的确定方法,能够解决现有技术中存在的计算结果准确率不高的问题。
相应的,本申请实施例还提供了一种拥堵数据的确定装置,用以保证上述方法的实现及应用。
为了解决上述问题,本申请实施例公开了一种拥堵数据的确定方法,所述方法包括:
根据获取到的路段数据,确定路段的特征信息,所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值;
根据所述特征信息,利用预先确定的拥堵模型确定拥堵数据,所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。
相应的,本申请实施例还公开了一种拥堵数据的确定装置,所述装置包括:
信息确定模块,用于根据获取到的路段数据,确定路段的特征信息,所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值;
数据确定模块,用于根据所述特征信息,利用预先确定的拥堵模型确定拥堵数据,所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。
本申请实施例还提供一种装置,包括处理器以及存储器,其中,
所述处理器执行所述存储器所存放的计算机程序代码,以实现本申请所述的拥堵数据的确定方法。
本申请实施例还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上存储计算机程序,所述计算机程序被处理器执行时实现本申请所述的拥堵数据的确定方法的步骤。
本申请实施例包括以下优点:
根据获取到的路段数据,确定路段的特征信息,所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值;根据所述特征信息,利用预先确定的拥堵模型确定拥堵数据,所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。因此,能够基于路段的多个特征信息,利用非线性回归模型和类逻辑回归模型进行拥堵数据的确定,克服基于单一指标所确定的拥堵数据的准确率的问题,提升拥堵数据的准确率,简化计算操作。
附图说明
图1是本申请的一种拥堵数据的确定方法实施例的步骤流程图;
图2是本申请的一种拥堵数据的确定方法可选实施例的步骤流程图;
图3是本申请的一种拥堵数据的确定方法可选实施例的步骤流程图;
图4是本申请的一种拥堵数据的确定装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种拥堵数据的确定方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,根据获取到的路段数据,确定路段的特征信息。
其中,特征信息包括平均速度、车流密度、速度阈值以及数据有效值。
在具体应用中,特征信息中包括多个关于路段的特征信息,其中车流密度是根据路段的总车流量与路段的长度的比值所确定的,速度阈值是根据预先获取到的路段对应不同种类车辆的限速值,结合不同种类的车辆的车流量所确定的,数据有效值用于表征路段数据的质量。
示例地,根据路段的总车流量和路段的长度可以确定该路段的车流密度,也就是单位长度上的车流量大小;路段上的平均速度表示从这个路段上经过的所有车辆的平均速度;速度阈值是根据不同种类车辆的限速值和车流量所确定,例如,该路段上的小车(7座及7座以下)的最高限速为120km/h,打车(7座以上)的最高限速为80km/h,路段上的小车流量占总车流的80%,剩下的20%为大车,则对应的速度阈值为(120*80%+80*20%)。数据有效值是指能够利用非线性模型直接确定拥堵数据的数据量大小,也就是说,速度测量数值准确的数据量,即数据有效值(其取值为0-1之间)。
步骤102,根据特征信息,利用预先确定的拥堵模型确定拥堵数据。
其中,拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。在具体应用中,非线性回归模型主要用于对速度测试结果良好的路段,利用标准的非线性回归函数对路段的拥堵情况进行预测;类逻辑回归模型是基于本申请所涉及的预测场景,对标准的逻辑回归模型进行对应调整和优化后所生成的类逻辑回归模型,用于对速度测试结果差的路段进行拥堵情况的测试。也就是通过非线性回归模型与类逻辑回归模型的加权,生成能够基于实际路况进行拥堵情况的准确判断的模型,即作为拥堵模型。
需要说明的是,该拥堵模型是利用历史数据进行训练得到的,历史数据可以是带标签的数据,进而优化拥堵模型中的各个参数。
此外,为了使得拥堵数据符合标准量化指标标准,对拥堵模型中的参数进行比例调节,例如使得拥堵数据在0-10之间,以保证拥堵数据具有通用性和标准性。
综上所述,本申请实施例提供的拥堵数据的确定方法,根据获取到的路段数据,确定路段的特征信息,特征信息包括平均速度、车流密度、速度阈值以及数据有效值;根据特征信息,利用预先确定的拥堵模型确定拥堵数据,拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。因此,能够基于路段的多个特征信息,利用非线性回归模型和类逻辑回归模型进行拥堵数据的确定,克服基于单一指标所确定的拥堵数据的准确率的问题,提升拥堵数据的准确率,简化计算操作。
参照图2,示出了本申请的一种拥堵数据的确定方法可选实施例的步骤流程图,步骤102所述的根据特征信息,利用预先确定的拥堵模型确定拥堵数据,包括如下步骤:
步骤1021,根据数据有效值,确定非线性回归模型的权重和类逻辑回归模型的权重。
示例地,数据有效值即作为非线性回归模型的权重,例如数据有效值为0.8,对应的非线性回归模型的权重为0.8,类逻辑回归模型的权重为0.2,从而实现根据路段的实际情况,对拥堵模型中的非线性回归模型的权重进行调整,使得拥堵模型具有更高的准确性。
步骤1022,根据特征信息,利用拥堵模型,确定非线性输出和逻辑输出。
在具体应用中,该步骤如图3所示,可以包括:
步骤10221,将速度阈值与平均速度之比作为非线性回归模型的输入,以得到非线性输出。
在具体应用中,具体的非线性回归模型所采用的非线性函数表达式,如下:
z=a*x5+b*x4+c*x3-d*x2+e*x-f
其中,x为速度阈值与平均速度之比,a,b,c,d,e,f为路段参数。
示例地,由于速度阈值与平均速度之比是大于1的,为了实现最终取值满足0-10的量化标准,对速度阈值与平均速度之比的5次方、4次方、3次方以及平方进行量化。
步骤10222,根据车流密度、平均速度以及速度阈值,利用类逻辑回归模型,得到逻辑输出。
在具体应用中,根据车流密度、平均速度以及速度阈值,利用逻辑回归表达式,获取逻辑输出。该逻辑回归表达式包括:
其中,y=β(x1-α),x1表示车流密度,λ表示逻辑输出,x2表示平均速度;x3表示速度阈值,α、β、γ、ε表示路段参数,n表示拥堵数据的统计参数。
示例地,以n=10实现拥堵数值的标准量化,通过对标准的逻辑回归函数进行拉伸和压缩,生成更为符合具体应用场景的类逻辑回归模型,利用历史数据,例如已确定准确的拥堵数值的标记数据,对类逻辑回归模型和非线性模型进行对应训练,所获取到的拥堵模型进行计算确定的拥堵数值具有更高的准确性。
需要说明的是,在预先进行拥堵模型的训练时,是对上述的路段参数(a,b,c,d,e,f,α,β,ε,γ)进行优化训练,找到最优解。
此外,在利用拥堵模型确定拥堵数据之后,还可以继续利用该拥堵数据对拥堵模型进行迭代优化,进一步更新路段参数。
步骤1023,将非线性输出与非线性回归模型的权重之积和逻辑输出与类逻辑回归模型的权重之积相加,以作为拥堵数据。
示例地,拥堵数据等于非线性输出与非线性回归模型的权重之积加上逻辑输出与类逻辑回归模型的权重之积,如,表示为Y=0.8*z+(1-0.8)*λ;其中Y表示拥堵数据,当n=10的情况下,拥堵数据的数值在0-10之间。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图4,示出了本申请的一种拥堵数据的确定装置实施例的结构框图,具体可以包括如下模块:
信息确定模块410,用于根据获取到的路段数据,确定路段的特征信息,特征信息包括平均速度、车流密度、速度阈值以及数据有效值。
数据确定模块420,用于根据特征信息,利用预先确定的拥堵模型确定拥堵数据,拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。
可选的,车流密度是根据路段的总车流量与路段的长度的比值所确定的,速度阈值是根据预先获取到的路段对应不同种类车辆的限速值,结合不同种类的车辆的车流量所确定的,数据有效值用于表征路段数据的质量。
可选的,数据确定模块,包括:
权重确定子模块,用于根据数据有效值,确定非线性回归模型的权重和类逻辑回归模型的权重;
输出确定子模块,用于根据特征信息,利用拥堵模型,确定非线性输出和逻辑输出;
数据确定子模块,用于将非线性输出与非线性回归模型的权重之积和逻辑输出与类逻辑回归模型的权重之积相加,以作为拥堵数据。
可选的,输出确定子模块,包括:
非线性输出单元,用于将速度阈值与平均速度之比作为非线性回归模型的输入,以得到非线性输出;
逻辑输出单元,用于根据车流密度、平均速度以及速度阈值,利用类逻辑回归模型,得到逻辑输出。
可选的,逻辑输出单元,用于:
根据车流密度、平均速度以及速度阈值,利用逻辑回归表达式,获取逻辑输出;
逻辑回归表达式包括:
其中,y=β(x1-α),x1表示车流密度,λ表示逻辑输出,x2表示平均速度;x3表示速度阈值,α、β、γ、ε表示路段参数,n表示拥堵数据的统计参数。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在终端设备时,可以使得该终端设备执行本申请实施例中各方法步骤的指令(instructions)。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (4)
1.一种拥堵数据的确定方法,其特征在于,所述方法包括:
根据获取到的路段数据,确定路段的特征信息,所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值,所述数据有效值用于表征所述路段数据的质量;
根据所述特征信息,利用预先确定的拥堵模型确定拥堵数据,所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型;
其中,所述根据所述特征信息,利用预先确定的拥堵模型确定拥堵数据,包括:
根据所述数据有效值,确定所述非线性回归模型的权重和所述类逻辑回归模型的权重;
将所述速度阈值与所述平均速度之比作为所述非线性回归模型的输入,以得到非线性输出;
根据所述车流密度、所述平均速度以及所述速度阈值,利用所述类逻辑回归模型,得到逻辑输出;
将所述非线性输出与所述非线性回归模型的权重之积和所述逻辑输出与所述类逻辑回归模型的权重之积相加,以作为所述拥堵数据;
其中,所述根据所述车流密度、所述平均速度以及所述速度阈值,利用所述类逻辑回归模型,得到逻辑输出,包括:
根据所述车流密度、所述平均速度以及所述速度阈值,利用逻辑回归表达式,获取所述逻辑输出;
所述逻辑回归表达式包括:
其中,y=β(x1-α),所述x1表示所述车流密度,所述λ表示所述逻辑输出,所述x2表示所述平均速度;所述x3表示所述速度阈值,所述α、β、γ、ε表示路段参数,所述n表示所述拥堵数据的统计参数;
其中,将所述速度阈值与所述平均速度之比作为所述非线性回归模型的输入,以得到非线性输出,包括:
所述非线性回归模型所采用的非线性函数表达式以得到所述非线性输出;
所述非线性函数表达式包括:
z=a*x5+b*x4+c*x3-d*x2+e*x-f;
其中,x为速度阈值与平均速度之比,a,b,c,d,e,f为路段参数;
路段参数(a,b,c,d,e,f,α,β,ε,γ)是在预先确定的拥堵模型训练过程中,优化训练所述路段参数(a,b,c,d,e,f,α,β,ε,γ)找到的最优解。
2.根据权利要求1所述的方法,其特征在于,所述车流密度是根据所述路段的总车流量与所述路段的长度的比值所确定的,所述速度阈值是根据预先获取到的所述路段对应不同种类车辆的限速值,结合所述不同种类的车辆的车流量所确定的。
3.一种拥堵数据的确定装置,其特征在于,所述装置包括:
信息确定模块,用于根据获取到的路段数据,确定路段的特征信息,所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值,所述数据有效值用于表征所述路段数据的质量;
数据确定模块,用于根据所述特征信息,利用预先确定的拥堵模型确定拥堵数据,所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型;
所述数据确定模块,包括:
权重确定子模块,用于根据所述数据有效值,确定所述非线性回归模型的权重和所述类逻辑回归模型的权重;
输出确定子模块,用于根据所述特征信息,利用所述拥堵模型,确定非线性输出和逻辑输出;
数据确定子模块,用于将所述非线性输出与所述非线性回归模型的权重之积和所述逻辑输出与所述类逻辑回归模型的权重之积相加,以作为所述拥堵数据;
所述输出确定子模块,包括:
非线性输出单元,用于将所述速度阈值与所述平均速度之比作为所述非线性回归模型的输入,以得到所述非线性输出;
逻辑输出单元,用于根据所述车流密度、所述平均速度以及所述速度阈值,利用所述类逻辑回归模型,得到所述逻辑输出;
所述逻辑输出单元,包括:
根据所述车流密度、所述平均速度以及所述速度阈值,利用逻辑回归表达式,获取所述逻辑输出;
所述逻辑回归表达式包括:
其中,y=β(x1-α),所述x1表示所述车流密度,所述λ表示所述逻辑输出,所述x2表示所述平均速度;所述x3表示所述速度阈值,所述α、β、γ、ε表示路段参数,所述n表示所述拥堵数据的统计参数;
所述非线性输出单元,包括:
所述非线性回归模型所采用的非线性函数表达式以得到所述非线性输出;
所述非线性函数表达式包括:
z=a*x5+b*x4+c*x3-d*x2+e*x-f;
其中,x为速度阈值与平均速度之比,a,b,c,d,e,f为路段参数;
路段参数(a,b,c,d,e,f,α,β,ε,γ)是在预先确定的拥堵模型训练过程中,优化训练所述路段参数(a,b,c,d,e,f,α,β,ε,γ)找到的最优解。
4.根据权利要求3所述的装置,其特征在于,所述车流密度是根据所述路段的总车流量与所述路段的长度的比值所确定的,所述速度阈值是根据预先获取到的所述路段对应不同种类车辆的限速值,结合所述不同种类的车辆的车流量所确定的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910200150.XA CN109859477B (zh) | 2019-03-15 | 2019-03-15 | 一种拥堵数据的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910200150.XA CN109859477B (zh) | 2019-03-15 | 2019-03-15 | 一种拥堵数据的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859477A CN109859477A (zh) | 2019-06-07 |
CN109859477B true CN109859477B (zh) | 2021-03-19 |
Family
ID=66901058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910200150.XA Active CN109859477B (zh) | 2019-03-15 | 2019-03-15 | 一种拥堵数据的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859477B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766945A (zh) * | 2019-10-28 | 2020-02-07 | 合肥安慧软件有限公司 | 一种区间分析交通指数系统 |
CN111862605B (zh) * | 2020-07-20 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN112163471A (zh) * | 2020-09-14 | 2021-01-01 | 深圳市诺龙技术股份有限公司 | 一种拥堵检测的方法和装置 |
CN112630770A (zh) * | 2020-12-02 | 2021-04-09 | 北京首科丰汇科技有限公司 | 一种高速公路服务质量评价方法及装置 |
CN114613137B (zh) * | 2022-03-07 | 2023-02-21 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732279A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 |
CN106875684A (zh) * | 2017-04-01 | 2017-06-20 | 广东石油化工学院 | 基于大规模动态语义图的交通流量预测算法 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617726B (zh) * | 2013-11-29 | 2015-06-24 | 北京掌城科技有限公司 | 粗粒度交通状态转换为细粒度速度的方法 |
CN104240505B (zh) * | 2014-09-11 | 2021-04-09 | 胡又宏 | 一种解读道路交通视频图像信息的方法 |
US11868851B2 (en) * | 2015-03-11 | 2024-01-09 | Symphonyai Sensa Llc | Systems and methods for predicting outcomes using a prediction learning model |
CN106157658A (zh) * | 2015-04-07 | 2016-11-23 | 张硕明 | 道路限速识别装置 |
CN105702031B (zh) * | 2016-03-08 | 2018-02-23 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
CN107195177B (zh) * | 2016-03-09 | 2020-06-16 | 中国科学院深圳先进技术研究院 | 基于分布式内存计算框架对城市交通路况的预测方法 |
CN108257378B (zh) * | 2016-12-29 | 2020-05-19 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108269395B (zh) * | 2016-12-30 | 2019-10-25 | 大唐高鸿信息通信研究院(义乌)有限公司 | 适用于车载短距离通信网络交通拥塞预测和处理方法 |
CN107610464B (zh) * | 2017-08-11 | 2019-02-12 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
CN108550259B (zh) * | 2018-04-19 | 2020-05-12 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
CN109118763B (zh) * | 2018-08-28 | 2021-05-18 | 南京大学 | 基于腐蚀去噪深度信念网络的车流量预测方法 |
-
2019
- 2019-03-15 CN CN201910200150.XA patent/CN109859477B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732279A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于地理信息系统的改进元胞自动机交通流模拟分析方法 |
CN106875684A (zh) * | 2017-04-01 | 2017-06-20 | 广东石油化工学院 | 基于大规模动态语义图的交通流量预测算法 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109859477A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859477B (zh) | 一种拥堵数据的确定方法和装置 | |
CN110288825B (zh) | 基于多源数据融合和snmf的交通控制子区聚类划分方法 | |
CN111310828B (zh) | 用于adas场景的目标检测模型微调方法及装置 | |
CN101794345A (zh) | 一种数据处理方法及装置 | |
CN113362600B (zh) | 一种交通状态估计方法及系统 | |
Goñi Ros et al. | Modeling traffic at sags | |
US20220084396A1 (en) | Method for extracting road capacity based on traffic big data | |
Anderson et al. | Heavy-vehicle crash rate analysis: Comparison of heterogeneity methods using Idaho crash data | |
CN105868870A (zh) | 一种基于数据融合的城市快速路旅行时间估计方法和装置 | |
CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
Ge et al. | Construction and simulation of rear-end conflicts recognition model based on improved TTC algorithm | |
CN105303838A (zh) | 确定道路流量的方法和装置 | |
Navandar et al. | Empirical analysis of level of service based on users perception at manual tollbooth operation in India | |
CN110807493A (zh) | 一种车辆分类模型的优化方法及设备 | |
Antoniou et al. | Impact of meteorological factors on the number of injury accidents | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
Qin et al. | Developing analytical procedures for calibrating the Highway Safety Manual predictive methods | |
CN109034494B (zh) | 公交调度方法 | |
CN112581765A (zh) | 一种基于卡口融合的在途量计算方法 | |
CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN116778715A (zh) | 一种多因素的高速交通流量智能预测方法 | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
CN110956808B (zh) | 一种基于非全样定位数据的重型货车交通流量预测方法 | |
Jiang et al. | Estimating safety effects of pavement management factors utilizing Bayesian random effect models | |
CN111710156B (zh) | 一种道路交通流量预测方法、系统、介质及设备 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210913 Address after: 311100 18 Yuhang 207, Wen Yi Xi Road, Yuhang District, Hangzhou, Zhejiang. Patentee after: TONGDUN TECHNOLOGY Co.,Ltd. Address before: Room 704, building 18, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: TONGDUN HOLDINGS Co.,Ltd. |
|
TR01 | Transfer of patent right |