CN110120154B - 大规模路网下利用检测器数据的交通路况预测方法 - Google Patents
大规模路网下利用检测器数据的交通路况预测方法 Download PDFInfo
- Publication number
- CN110120154B CN110120154B CN201910452289.3A CN201910452289A CN110120154B CN 110120154 B CN110120154 B CN 110120154B CN 201910452289 A CN201910452289 A CN 201910452289A CN 110120154 B CN110120154 B CN 110120154B
- Authority
- CN
- China
- Prior art keywords
- link
- road
- prediction
- typical
- traffic
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种大规模路网下利用检测器数据的交通路况预测方法,确定link分类指标,按照路网信息数据库中link的属性信息对路网中的link进行分类,分成若干类功能组,从每一类功能组中按典型link挑选选取原则选取数条典型link;对历史数据进行预处理;计算每类功能组中的link流量预测值及车道占有率预测值;对每类功能组中的典型link的平均行程速度值、拥堵指数预测计算;对路网中新增的道路进行分类、BPR函数标定,根据分类及标定结果调用对应的预测模型计算link流量预测值、平均行程速度值及拥堵指数,从而实现交通路况预测。
Description
技术领域
本发明属于城市交通路况分析领域,具体涉及一种大规模路网下利用检测器数据的交通路况预测方法。
背景技术
近年来,交通运输的快速发展加速了城市化进程,机动车保有量迅速提高,但是城市道路负担越来越重。交通拥堵严重影响城市的可持续发展,社会成本损失日益严重,引起社会各界重视。为了缓解交通压力、提高交通运行效率,交通领域相关人员在现有技术的基础上,提出了多种思路,其中交通路况预测对于改善交通现状有着重要意义。交通路况预测一方面可以指导交通出行者合理规划出行路径,避免拥堵区域;另一方面可以为交通管理者制定交通管理措施提供参考,从而有效避免大范围交通拥堵的产生,提高交通出行效率。
目前,交通路况预测研究主要包括:利用实时获取的交通路况数据进行短时交通路况预测方法、利用当前实时数据和历史数据相似度进行计算的交通流量预测算法以及从日期属性等角度对交通路况进行预测研究。这些预测算法往往都只考虑有直接影响的某一条或几条线路的预测计算,而对整个城市复杂交通网络系统进行路况预测的研究还比较少见。不同的道路类型因其道路等级和道路功能的不同,交通路况会有很大的差异,若大规模路网中的路况预测仅仅依靠一个预测模型,其预测结果可能有较大的误差。虽然大数据技术长足发展,但是对于一个城市几万计的link来说,对每条道路建立预测模型,将不利于系统实时运行,对预测结果亦大打折扣。
目前一些城市智能交通系统及其相关技术逐步实施,各类交通检测设备已经或正在布设,将提供不同精度、广度和深度的交通数据。
发明内容
本发明要解决的技术问题是:提供一种大规模路网下利用检测器数据的交通路况预测方法,能够提升运行速度,并保证准确率。
本发明为解决上述技术问题所采取的技术方案为:一种大规模路网下利用检测器数据的交通路况预测方法,其特征在于:它包括以下步骤:
S1、link的分类及典型link的选取:
确定link分类指标,按照路网信息数据库中link的属性信息对路网中的link进行分类,分成若干类功能组,从每一类功能组中按典型link挑选选取原则选取数条典型link;
S2、对历史数据进行预处理:
对检测器采集的历史流量数据按第一时间间隔进行累计,对车道占有率按第二时间间隔求均值;第一时间间隔和第二时间间隔均为预设值;
S3、计算每类功能组中的link流量预测值及车道占有率预测值:
使用每一类中典型link的历史数据,用指数平滑算法进行指数平滑参数的测试,得到最佳指数平滑参数,对同一分类下、所选典型link的最佳指数平滑参数进行均值处理,分别确定link流量预测及车道占有率预测的指数平滑模型,并计算link流量预测值及车道占有率预测值;
S4:对每类功能组中的典型link的平均行程速度值进行预测计算:
将所述的link流量预测值代入路网中link的BPR函数,推算link的平均行程速度值;
S5:对每类功能组中的典型link进行拥堵指数预测计算:
利用link的BPR函数及link流量预测值,计算出link的平均行程时间预测值,根据拥堵指数计算原理计算拥堵等级;所述的拥堵指数计算原理即预测的平均行程时间与自由流行程时间的比值;
S6:对路网中新增的道路进行分类、BPR函数标定,根据分类及标定结果调用对应的预测模型计算link流量预测值、平均行程速度值及拥堵指数,从而实现交通路况预测。
按上述方案,所述的S1具体将路网信息数据库中link分为四类功能组,即快速路、主干路、次干路及支路;四类功能组分别具有不同的功能特征,快速路和主干路属于交通性道路,次干路兼有交通性和生活性的功能,支路则主要界定为生活性的功能。
按上述方案,所述的S1具体从ArcGIS中导出城市的路网信息,利用MYSQL数据库将所有link按照快速路、主干路、次干路及支路四类功能组进行分类。
按上述方案,所述的S1中典型link挑选选取原则是:1)具有一定代表性,路段位置日常交通情况良好,满足相应功能组的功能特征;2)路段规范性好,即路段线性为直线、路段长度为500m至1000m、未处于维修阶段;3)在路网信息中显示该link为单向属性、路段的检测器与路段车道信息相匹配且均完好;4)检测器检测的数据量及数据质量较好,即具有20周及以上的历史数据,并且根据实测数据分析所得,检测的数据量与应有数据量的比值不低于0.65。
按上述方案,所述的S1按分类结果,从各类功能组中选取至少3条符合要求的典型路段。
按上述方案,所述的S3具体为:
1)对选择的典型link的历史数据进行指数平滑滤波处理,得到的预测值与真实值计算APE误差;
2)每一个典型道路的高峰期与非高峰期分别进行指数平滑参数从0.1~0.9的测试,对比9个测试结果,选取APE误差最小时对应的指数平滑参数为该时段的最佳指数平滑参数,对同一分类下、所选典型路段的最佳指数平滑参数进行均值处理,作为最终的指数平滑参数;
3)分别确定每类功能组下link流量预测及车道占有率预测的高峰期和非高峰期对应的最终指数平滑参数,构建link流量预测及车道占有率预测的指数平滑模型,计算link流量预测值及车道占有率预测值。
按上述方案,所述的第一时间间隔=第二时间间隔=5分钟。
本发明的有益效果为:
1)不同等级和功能的城市道路,其交通路况会有很大的差异,将城市路网中的link按功能组分类,此分类方法考虑了道路等级、功能等属性对link交通流等的影响,使得分类方法下交通路况的预测研究更符合实际情况,提升运行速度,并保证准确率。
2)大城市或者超大城市的路网link规模超五万计,若对每条link段进行模型参数分析会耗费大量时间和资源,不利于实现实时预测。利用功能组中具有代表性的典型路段进行模型的参数测试,可以节约测试时间和计算资源,同时也可以保证测试的结果符合该功能组的交通演变特征。
3)典型路段的预测模型参数测试中,选取多个典型路段进行0.1~0.9的参数测试,一定程度上可以避免模型参数测试的偶然性;对预测模型分别进行高峰期与非高峰期的参数测定,使其结果更准确。
4)检测器采集的速度数据无法直接用于平均行程速度预测,利用流量预测结果与link的BPR函数可以预测link的平均行程速度,符合交通流原理。
5)按本发明中的,当路网中新增道路后,只需将该道路归并到对应功能组中,再根据道路具体情况标定link的BPR函数,便可调用相应的预测模型进行交通路况预测。因此本发明对城市路网的更新具有很好的适应性。
附图说明
图1为本发明一实施例的方法流程图。
图2为本发明所采用一次指数平滑算法的流程图。
具体实施方式
下面结合附图和具体实例对本发明作进一步说明。
城市路网的道路要素一般包括道路link和道路交叉口。其中,link是道路的有向分割单元,具有唯一的ID编号;交叉口体现道路的拓扑功能。本实施例提供一种大规模路网下利用地磁检测器数据的交通路况预测方法,如图1所示,主要分为路网道路属性信息处理、模型参数测试及BPR函数标定、模型预测输出三部分。本发明在道路功能组分类的基础下,利用典型link历史数据进行其所在功能组的指数平滑参数选定,并推广至大规模路网,可减少预测模型计算时间及资源耗费;并且,功能组分类方法考虑了道路的等级和功能等属性,所构建的预测模型预测结果更符合实际并具备较高精度;利用流量预测结果与BPR函数可以进一步实现平均速度预测。本发明还提出了路网中新增道路后新link的预测方法,对路网更新具有很好的适应性。
第一部分路网道路属性信息处理,主要为link分类以及各分类中典型link的选取,确定link分类指标,按照路网信息数据库中link的属性信息对路网中的link进行分类,分成若干类功能组,从每一类功能组中按典型link挑选选取原则选取数条典型link。
由于不同功能的道路具有不同的交通流特性,因此根据道路的功能对大规模路网的link进行道路功能组分类。本实施例具体将路网信息数据库中link分为四类功能组,即快速路、主干路、次干路及支路;四类功能组分别具有不同的功能特征,快速路和主干路属于交通性道路,次干路兼有交通性和生活性的功能,支路则主要界定为生活性的功能。
从ArcGIS中导出城市的路网信息,利用MYSQL数据库将所有link按照快速路、主干路、次干路及支路四类功能组进行分类。即根据ArcGIS导出的城市路网各道路link属性表,利用MYSQL数据库,将link进行道路类型归类。
典型link挑选选取原则是:1)具有一定代表性,路段位置日常交通情况良好,满足相应功能组的功能特征,如快速路应选取高峰期与非高峰期显著,且高峰期平均车流量在2100pcu/h至2200pcu/h、非高峰期平均流量在900pcu/h至1000pcu/h;2)路段规范性好,即路段线性为直线、路段长度为500m至1000m、未处于维修阶段;3)在路网信息中显示该link为单向属性、路段的地磁与路段车道信息相匹配且地磁均完好;4)地磁的数据量及数据质量较好,具有20周及以上的历史数据,并且根据实测数据分析,检测的数据量与应有数据量的比值不低于0.65。
按分类结果,从各类功能组中选取至少3条符合要求的典型路段。
第二部分模型参数测试及BPR函数标定,主要是对典型路段进行指数平滑算法的参数测试及link的BPR函数标定。具体方法如下:
1)对地磁检测器数据库中典型路段的历史数据进行预处理。对输入的历史流量数据按第一时间间隔进行累计,对车道占有率按第二时间间隔求均值;第一时间间隔和第二时间间隔均为预设值。本实施例中,将地磁数据库中典型路段的历史地磁交通流量数据按5min的时间间隔进行求和计算,对车道占有率按5min时间间隔求均值。
2)计算每类功能组中的link流量预测值及车道占有率预测值。使用每一类中典型link的历史数据,用指数平滑算法对高峰期和非高峰期分别进行指数平滑参数的测试,得到最佳指数平滑参数,对同一分类下、所选典型link的最佳指数平滑参数进行均值处理,分别确定link流量预测及车道占有率预测的高峰期和非高峰期的指数平滑模型,并计算link流量预测值及车道占有率预测值。
具体的,将预处理后的流量数据或车道占有率数据作为输入数据,具体为选取预测时间点前十周对应的特征工作日或非工作日同一时刻的历史数据作为一组序列数据进行一次指数平滑计算。其计算流程图如图2所示。
指数平滑预测公式为:
yt'+1=αyt+(1-α)*yt',t>1
其中,yt'+1为t+1期的预测值,即本期(t期)的平滑值St;yt为t期的实际值;yt'为t期的预测值,即上期的平滑值St-1;α为加权系数(也称为平滑系数)。
进行预测平均APE误差计算,其公式为:
其中,yt'为预测结果值;yt为真实数据值;n为测试样本数。
对每一条典型道路的流量数据和车道占有率数据的高峰期和非高峰期分别进行指数平滑参数测试,参数取0.1至0.9。
3)指数平滑最优参数处理。对比参数α从0.1~0.9测试的9个结果,选取典型路段预测平均APE最小对应的指数平滑参数作为指数平滑预测最优参数。对同一分类下的各link重复以上工作,并将所选典型路段测试的最优参数进行均值处理。求出流量预测模型与车道占有率模型各峰期的最优参数。
4)link的BPR函数标定。根据link所属道路的功能组等,查阅link的BPR函数相关参数、link的通行能力Ca(veh/h)、link限速v0(km/h)及link段的长度Length(km)。
BPR函数公式为:
其中,ta(h)为指路段a上的行程时间;t0(h)为指自由流路段a的行程时间;qa(veh/h)为指路段a上的机动车交通量;Ca(veh/h)为指路段a的实际通行能力;α、β为参数。
其中,其中Length(km)为link长度,v0(km/h)为link所属道路等级的限速;Ca(veh/h)为link道路等级及车道数决定的道路通行能力;α、β不同道路等级修正BPR函数的参数。因每一条路段的道路长度不同,因此每一条link有对应的BPR函数模型。
第三部分模型预测输出,主要运用预测模型进行link交通流、平均行程速度、拥堵指数的预测计算。具体方法如下:
1)对地磁检测器数据库中link段的历史数据进行预处理。将地磁数据库中link段的历史地磁交通流量数据按5min的时间间隔进行求和计算,对车道占有率按5min时间间隔求均值。
2)link的交通流量及车道占有率指数平滑预测计算。将预处理后的流量数据或车道占有率数据作为输入数据,具体为选取预测时间点前十周对应的特征工作日或非工作日同一时刻的历史数据作为一组序列数据,运用最优参数的指数平滑预测模型进行预测计算。
3)link的平均行程速度预测计算。由于地磁检测器所检测的速度值为瞬时速度,不能直接用于link行程速度预测的输入数据,基于link的路网信息标定link的BPR函数,将link的流量预测值qa带入BPR函数,推算预测link的平均行程速度值va。
BPR函数公式为:
平均行程速度值va计算公式为:
4)link的交通拥堵指数预测计算。将BPR函数计算的link预测行程时间ta除以link的自由流时间t0,得到的比值即为link的交通拥堵指数预测值。
当路网新增道路后,对路网中新增的道路进行归类、BPR函数标定,根据分类及标定结果调用对应的预测模型,即可进行link的交通流量、车道占有率、平均行程速度及拥堵指数等交通路况预测。
各交通类检测器设备中,地磁检测器是目前大规模路网中布设的检测器之一,可采集流量、车道占有率等对交通疏导决策有参考价值的交通参数。在检测器良好的前提下地磁检测器采集的数据质量较好。本实施例以地磁检测器数据为例对城市中大规模路网中的道路进行交通流量、路段平均行程速度及拥堵指数进行预测,其他检测器数据也可采用本方法。对大规模路网中的道路先进行分类进而预测的方法,既提升运行速度,又可保证准确率。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (7)
1.一种大规模路网下利用检测器数据的交通路况预测方法,其特征在于:它包括以下步骤:
S1、link的分类及典型link的选取:
确定link分类指标,按照路网信息数据库中link的属性信息对路网中的link进行分类,分成若干类功能组,从每一类功能组中按典型link挑选选取原则选取数条典型link;
S2、对检测器历史数据进行预处理:
对检测器采集的历史流量数据按第一时间间隔进行累计,对车道占有率按第二时间间隔求均值;第一时间间隔和第二时间间隔均为预设值;
S3、计算每类功能组中的link流量预测值及车道占有率预测值:
使用每一类中典型link的历史数据,用指数平滑算法进行指数平滑参数选定,得到最佳指数平滑参数,对同一分类下、所选典型link的最佳指数平滑参数进行均值处理,分别确定link流量预测及车道占有率预测的指数平滑模型,并计算link流量预测值及车道占有率预测值;
S4:对每类功能组中的典型link的平均行程速度值进行预测计算:
将所述的link流量预测值代入路网中link的BPR函数,推算link的平均行程速度值;
S5:对每类功能组中的典型link进行拥堵指数预测计算:
利用link的BPR函数及link流量预测值,计算出link的平均行程时间预测值,根据拥堵指数计算原理计算拥堵等级;所述的拥堵指数计算原理即预测的平均行程时间与自由流行程时间的比值;
S6:对路网中新增的道路进行分类、BPR函数标定,根据分类及标定结果调用对应的预测模型计算link流量预测值、平均行程速度值及拥堵指数,从而实现交通路况预测。
2.根据权利要求1所述的大规模路网下利用检测器数据的交通路况预测方法,其特征在于:所述的S1具体将路网信息数据库中link分为四类功能组,即快速路、主干路、次干路及支路;四类功能组分别具有不同的功能特征,快速路和主干路属于交通性道路,次干路兼有交通性和生活性的功能,支路则主要界定为生活性的功能。
3.根据权利要求2所述的大规模路网下利用检测器数据的交通路况预测方法,其特征在于:所述的S1具体从ArcGIS中导出城市的路网信息,利用MYSQL数据库将所有link按照快速路、主干路、次干路及支路四类功能组进行分类。
4.根据权利要求1所述的大规模路网下利用检测器数据的交通路况预测方法,其特征在于:所述的S1中典型link挑选选取原则是:1)具有一定代表性,路段位置日常交通情况良好,满足相应功能组的功能特征;2)路段规范性较好,即路段线性为直线、路段长度为500m至1000m、未处于维修阶段;3)在路网信息中显示该link为单向、路段的检测器与路段车道信息相匹配且均完好;4)检测器检测的数据量及数据质量较好,即具有20周及以上的历史数据,并且根据实测数据分析所得,检测数据量与应有数据量的比值不低于0.65。
5.根据权利要求1至4中任意一项所述的大规模路网下利用检测器数据的交通路况预测方法,其特征在于:所述的S1按分类结果,从各类功能组中选取至少3条符合要求的典型路段。
6.根据权利要求1所述的大规模路网下利用检测器数据的交通路况预测方法,其特征在于:所述的S3具体为:
1)对选择的典型link的历史数据进行指数平滑滤波处理,得到的预测值与真实值计算APE误差;
2)每一个典型道路的高峰期与非高峰期分别进行指数平滑参数从0.1~0.9的测试,对比9个测试结果,选取APE误差最小时对应的指数平滑参数为该时段的最佳指数平滑参数,对同一分类下、所选典型路段的最佳指数平滑参数进行均值处理,作为最终的指数平滑参数;
3)分别确定每类功能组下link流量预测及车道占有率预测的高峰期和非高峰期对应的最终指数平滑参数,构建link流量预测及车道占有率预测的指数平滑模型,计算link流量预测值及车道占有率预测值。
7.根据权利要求1所述的大规模路网下利用检测器数据的交通路况预测方法,其特征在于:所述的第一时间间隔=第二时间间隔=5分钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910452289.3A CN110120154B (zh) | 2019-05-28 | 2019-05-28 | 大规模路网下利用检测器数据的交通路况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910452289.3A CN110120154B (zh) | 2019-05-28 | 2019-05-28 | 大规模路网下利用检测器数据的交通路况预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110120154A CN110120154A (zh) | 2019-08-13 |
CN110120154B true CN110120154B (zh) | 2021-08-10 |
Family
ID=67523317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910452289.3A Active CN110120154B (zh) | 2019-05-28 | 2019-05-28 | 大规模路网下利用检测器数据的交通路况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110120154B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111335876A (zh) * | 2020-03-02 | 2020-06-26 | 北京四利通控制技术股份有限公司 | 一种石油钻井井眼轨迹自适应跟踪预测控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009043309A1 (de) * | 2009-02-26 | 2010-09-16 | Navigon Ag | Verfahren und Navigationseinrichtung zur Ermittlung der voraussichtlichen Fahrzeit |
CN107045788A (zh) * | 2017-06-28 | 2017-08-15 | 北京数行健科技有限公司 | 交通路况预测方法及装置 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4982143B2 (ja) * | 2006-09-27 | 2012-07-25 | クラリオン株式会社 | 交通状況予測装置 |
-
2019
- 2019-05-28 CN CN201910452289.3A patent/CN110120154B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009043309A1 (de) * | 2009-02-26 | 2010-09-16 | Navigon Ag | Verfahren und Navigationseinrichtung zur Ermittlung der voraussichtlichen Fahrzeit |
CN107045788A (zh) * | 2017-06-28 | 2017-08-15 | 北京数行健科技有限公司 | 交通路况预测方法及装置 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于出租车GPS数据的城市次干道阻抗函数研究;周林,马晓凤,钟鸣;《交通信息与安全》;20170630;第34-42段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110120154A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN107248283B (zh) | 一种考虑路段关键度的城市区域路网运行状态评价方法 | |
CN108629974B (zh) | 顾及城市道路交通网络特征的交通运行指数建立方法 | |
CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN107330217B (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN104778835B (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
CN108492557A (zh) | 基于多模型融合的高速公路拥堵等级判断方法 | |
CN108597227A (zh) | 高速公路收费站下道交通流量预测方法 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN110634292B (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN111210621B (zh) | 基于实时路况的信号绿波协调路线优化控制方法及系统 | |
CN108765961A (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
Chen et al. | Discrimination and prediction of traffic congestion states of urban road network based on spatio-temporal correlation | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN110867075B (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
CN107180534B (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 |
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 |