CN110288825B - 基于多源数据融合和snmf的交通控制子区聚类划分方法 - Google Patents
基于多源数据融合和snmf的交通控制子区聚类划分方法 Download PDFInfo
- Publication number
- CN110288825B CN110288825B CN201910434932.XA CN201910434932A CN110288825B CN 110288825 B CN110288825 B CN 110288825B CN 201910434932 A CN201910434932 A CN 201910434932A CN 110288825 B CN110288825 B CN 110288825B
- Authority
- CN
- China
- Prior art keywords
- array
- road
- matrix
- traffic
- road section
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
基于多源数据融合和SNMF的交通控制子区聚类划分方法,首先,根据实际交通环境,选择两种特征参数数据进行相关性分析,并在数据规范化处理的基础上,对这两种特征参数数据进行线性加权数据融合处理,获得新的组合特征参数;然后,根据组合特征参数,采用层次聚类算法,为所有路段生成可以表征周围交通流态势的“snake”数组;最后,计算所有路段的相似度矩阵,并进行SNMF优化求解,获得最终的交通控制子区聚类划分结果。本发明适用于中小型城市交通网络,基于多源数据融合的组合特征参数可以获得更符合实际交通状况的交通控制子区划分结果,同时SNMF良好的分解特性,也避免了现有聚类划分方法的不足。
Description
技术领域
本发明涉及智能交通信号控制的交通控制子区划分方法,交通控制子区用于城市交通信号的干线协调控制和区域协调控制。
背景技术
在城市交通信号控制中,协调控制可以有效提高整个系统的通行效率、减少车均停车延误与行车时间。但是在城市交通路网中,各个交叉口和路段在动态交通流特性上均存在不同程度的差异,如果将其作为同一区域执行统一的控制策略,将达不到较好的控制效果,甚至会加重拥堵或导致交通事故。交通控制子区划分主要是将相邻的交叉口或路段划分成若干个交通控制子区进行协调控制,它是城市交通信号控制系统的协调控制功能单元。交通控制子区划分是干线协调控制和区域协调控制的基础,同时也是决定协调控制效果好坏的关键技术。交通控制子区的合理划分能够减少交通系统控制与交通管理的复杂性,从而提高交通系统的效率和可靠性。
在智能交通领域,主要使用聚类方法来进行交通控制子区的划分。这类方法包括两个步骤,即交通流特征参数的选取和聚类划分方法的设计。在交通流特征参数的选取上,现有的交通控制子区划分方法大多数只选择单一来源的特征参数,如行车速度、车流密度等。由于影响交通流的因素很多,这种来源于单一数据的特征参数不能准确和全面地反映实际的交通流态势,从而导致最终的子区划分结果不符合实际需求。虽然也有少数子区划分方法采用了多个来源的特征参数,但这些方法中涉及的很多特征参数,如旅行时间、车流密度、延误、停车次数和排队长度等,在实际的城市交通环境中,却很难进行采集或采集误差很大。
而在聚类划分方法的设计上,现有方法主要有两类方法。第一类方法是将空间限制条件隐藏在数据中,并由此构建路网图,然后采用基于聚类的图形分割方法进行划分。这类方法主要使用传统的聚类方法,如K均值聚类(即K-means聚类)、谱聚类、非负矩阵分解(No n-negative Matrix Factorization,NMF)等。第二类方法是将空间限制条件显式强加在算法的每一个步骤中,这类方法主要包括一些启发式算法和建模优化类方法。但在实际交通路网中,这两类方法都存在着一定的缺陷和不足。
目前,在实际应用中,现有的交通控制子区聚类划分方法存在以下主要问题:1)大多数方法采用单一来源的特征参数,不能准确和全面地表征交通流态势,从而导致划分结果不符合实际需求;2)少数方法虽然采用了多源的特征参数,但存在数据采集困难或采集误差较大等问题;3)传统聚类划分方法(即第一类方法)存在较多不足。K均值聚类存在初始簇中心选择困难和划分不准确等问题,谱聚类的效果则过度依赖于拉普拉斯矩阵的特征值,非负矩阵分解则要求数据具有较好的线性结构;4)其它的聚类划分方法(即第二类方法)也存在一定的缺陷。启发式算法常常只能获得局部最优的子区划分结果,建模优化类方法虽然可以获得最优结果,但计算非常耗时。
发明内容
本发明要克服现有技术的上述不足之处,针对中小型城市交通网络,提供一种基于多源数据融合和SNMF(Symmetric Non-negative Ma trix Factorization:对称非负矩阵分解)的交通控制子区聚类划分方法。
本发明首先根据实际交通流数据采集的方便性和准确性,选取行车速度和车道流量作为交通流特征参数,并对这两类特征参数进行相关性分析,计算它们的皮尔森相关系数(Pearson correlation coefficie nt)。然后,在数据规范化的基础上,采用多源数据融合的方法对这两类特征参数数据进行线性加权数据融合处理,获得新的组合特征参数。接着,在组合特征参数的基础上,对每一条路段进行聚类分析,获得对应的交通流态势和空间相邻路段的分布情况,并计算所有路段之间的相似度矩阵。最后,对相似度矩阵进行SNMF(Symmetric Non-neg ative Matrix Factorization:对称非负矩阵分解)聚类分析,从而获得交通控制子区的划分结果。本发明主要充分利用了多源特征参数之间的相关性,通过皮尔森相关系数和数据规范化进行数据融合,形成新的组合特征参数。新的组合特征参数更加准确和全面地表征了实际的交通流态势。同时,本发明也充分利用SNMF算法对非线性数据的处理特性,快速获得交通控制子区的划分结果。
本发明是通过以下技术方案达到上述目的,即基于多源数据融合和SNMF的交通控制子区聚类划分方法,具体的实施步骤如下:
(1)通过车载GPS(Global Positioning System:全球定位系统)、或手机GPS、或北斗系统、或第三方公司(如高德、百度)等方式获得行车速度特征参数数据,同时通过电警或卡口的视频摄像头获得车道流量特征参数数据。行车速度是指单位时间内通过某个路段的车辆行驶速度的平均值,单位为km/h,而车道流量是指单位时间内通过某进口车道停车线的车辆数,单位为pcu/h(pcu,passenger car unit,标准小客车单位,也即标准车当量数)。对这两种特征参数进行相关性分析,计算它们的皮尔森相关系数,具体计算公式如下:
其中,ρ表示行车速度和车道流量的皮尔森相关系数,V和Q分别表示所有路段的行车速度和车道流量,cov(V,Q)表示两者的协方差,σV和σQ分别表示V和Q的方差,vi表示路段i的行车速度(单位:km/h),qi表示路段i的车道流量(单位:pch/h),和则分别表示所有路段行车速度和车道流量的平均值,n为交通路网的路段总数。
(2)对步骤(1)采集的交通数据进行数据规范化处理。数据规范化处理可以消除量纲干扰,同时可以避免异常值和极端值的影响。数据规范化处理采用零均值标准化方法,具体计算公式如下:
(3)基于步骤(1)所得到的皮尔森相关系数,对行车速度和车道流量规范化后的数据进行线性加权数据融合处理,获得新的组合特征参数。其中,根据实际的交通流数据采集状况分析,车道流量数据更为准确,因此主特征定为车道流量,辅特征定为行车速度。数据融合的计算公式如下:
(4)基于步骤(3)所得到的组合特征参数,对每条路段执行一次层次聚类算法,为每条路段生成一个由路网中所有路段组成的有序数组,即“snake”数组si,其中i=1,2,…,n。一个数组即是一条“snake”,这条“snake”代表了起始元素对应路段周围的交通流态势分布情况,以及相邻路段的分布情况。“snake”数组si的生成过程:首先选择一条没有执行过该算法的路段i,获得对应的组合特征值ci,将其作为首个元素加入对应的“snake”数组si;然后,获取数组si中已有路段的所有相邻路段,假设这些相邻路段逐一加入数组si中,并计算加入后的组合特征参数方差,比较所有这些相邻路段逐一加入后的方差,选择方差最小的路段作为新的元素加入数组si中;重复迭代,直到所有路段都加入到数组si中,则路段i的层次聚类算法执行结束,数组si生成完毕。对每一条路段i都重复这个生成过程,直至生成所有的“snake”数组,即数组s1,s2,…,sn。“snake”数组生成过程中,加入某相邻路段后,组合特征参数方差的计算公式如下:
(5)基于步骤(4)获得所有路段的“snake”数组,计算所有路段之间的相似度矩阵W。矩阵W∈Rn×n,具体计算方法如下:
其中,i,j=1,2,…,n,w(i,j)是矩阵W的i行j列的元素,Sik和Sjk分别表示路段i和路段j对应的“snake”数组si和sj的前k条路段,intersect(Sik,Sjk)则表示Sik和Sjk在尺寸为k的情况下包含相同路段的数量,即针对数组si和sj的前k条路段,计算它们相同路段的数量。
(7)基于步骤(6)所得到的归一化相似度矩阵设定交通控制子区数目ns和随机初始化聚类指示矩阵H,并根据目标函数,对相似度矩阵进行SNMF分解,从而获得最终的交通控制子区划分结果。其中,矩阵有n行ns列,行代表路段,列代表交通控制子区。SNMF分解的目标函数为:
通过最小化以上目标函数,可以计算获得相似度矩阵的低秩近似矩阵H,其中,矩阵H每一行最大数值对应列所代表的子区,即为该行对应路段所属的交通控制子区。因此,根据SNMF优化求解获得的矩阵H,即可以获得最终的交通控制子区划分结果。
本发明的有益效果在于:(1)本发明充分考虑了实际交通流数据采集的方便性和准确性,采用多源数据融合方法融合了行车速度和车道流量两个特征参数,融合后的组合特征参数更能准确地表征动态的交通流态势,解决了使用单一交通流特征参数所导致的划分不合理问题;(2)本发明充分利用了SNMF的特性,在多源数据融合的基础上,能够快速获得交通控制子区的划分结果,同时不依赖于拉普拉斯矩阵的特征值,并避免了其它交通控制子区聚类划分方法的不足。
附图说明
附图1本发明方法的总体流程图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的基于多源数据融合和SNMF的交通控制子区聚类划分方法,具体的实施步骤如下:
(1)通过车载GPS(Global Positioning System:全球定位系统)、或手机GPS、或北斗系统、或第三方公司(如高德、百度)等方式获得行车速度特征参数数据,同时通过电警或卡口的视频摄像头获得车道流量特征参数数据。行车速度是指单位时间内通过某个路段的车辆行驶速度的平均值,单位为km/h,而车道流量是指单位时间内通过某进口车道停车线的车辆数,单位为pcu/h(pcu,passengercarunit,标准小客车单位,也即标准车当量数)。对这两种特征参数进行相关性分析,计算它们的皮尔森相关系数,具体计算公式如下:
其中,ρ表示行车速度和车道流量的皮尔森相关系数,V和Q分别表示所有路段的行车速度和车道流量,cov(V,Q)表示两者的协方差,σV和σQ分别表示V和Q的方差,vi表示路段i的行车速度(单位:km/h),qi表示路段i的车道流量(单位:pch/h),和则分别表示所有路段行车速度和车道流量的平均值,n为交通路网的路段总数。
(2)对步骤(1)采集的交通数据进行数据规范化处理。数据规范化处理可以消除量纲干扰,同时可以避免异常值和极端值的影响。数据规范化处理采用零均值标准化方法,具体计算公式如下:
(3)基于步骤(1)所得到的皮尔森相关系数,对行车速度和车道流量规范化后的数据进行线性加权数据融合处理,获得新的组合特征参数。其中,根据实际的交通流数据采集状况分析,车道流量数据更为准确,因此主特征定为车道流量,辅特征定为行车速度。数据融合的计算公式如下:
(4)基于步骤(3)所得到的组合特征参数,对每条路段执行一次层次聚类算法,为每条路段生成一个由路网中所有路段组成的有序数组,即“snake”数组si,其中i=1,2,…,n。一个数组即是一条“snake”,这条“snake”代表了起始元素对应路段周围的交通流态势分布情况,以及相邻路段的分布情况。“snake”数组si的生成过程:首先选择一条没有执行过该算法的路段i,获得对应的组合特征值ci,将其作为首个元素加入对应的“snake”数组si;然后,获取数组si中已有路段的所有相邻路段,假设这些相邻路段逐一加入数组si中,并计算加入后的组合特征参数方差,比较所有这些相邻路段逐一加入后的方差,选择方差最小的路段作为新的元素加入数组si中;重复迭代,直到所有路段都加入到数组si中,则路段i的层次聚类算法执行结束,数组si生成完毕。对每一条路段i都重复这个生成过程,直至生成所有的“snake”数组,即数组s1,s2,…,sn。“snake”数组生成过程中,加入某相邻路段后,组合特征参数方差的计算公式如下:
(5)基于步骤(4)获得所有路段的“snake”数组,计算所有路段之间的相似度矩阵W。矩阵W∈Rn×n,具体计算方法如下:
其中,i,j=1,2,…,n,w(i,j)是矩阵W的i行j列的元素,Sik和Sjk分别表示路段i和路段j对应的“snake”数组si和sj的前k条路段,intersect(Sik,Sjk)则表示Sik和Sjk在尺寸为k的情况下包含相同路段的数量,即针对数组si和sj的前k条路段,计算它们相同路段的数量。
(7)基于步骤(6)所得到的归一化相似度矩阵设定交通控制子区数目ns和随机初始化聚类指示矩阵H,并根据目标函数,对相似度矩阵进行SNMF分解,从而获得最终的交通控制子区划分结果。其中,矩阵有n行ns列,行代表路段,列代表交通控制子区。SNMF分解的目标函数为:
通过最小化以上目标函数,可以计算获得相似度矩阵的低秩近似矩阵H,其中,矩阵H每一行最大数值对应列所代表的子区,即为该行对应路段所属的交通控制子区。因此,根据SNMF优化求解获得的矩阵H,即可以获得最终的交通控制子区划分结果。
如附图1,本方法首先通过各种检测设备(GPS设备、视频检测器等)或第三方公司获取到行车速度和车道流量的交通流原始数据;然后,对这两类特征参数数据进行相关性分析,即计算它们的皮尔森相关系数,系数越接近1或-1,表示相关性越强,而越接近0则表示相关性越弱;接着,对行车速度和车道流量的交通原始数据进行数据规范化处理,即零均值标准化,消除量纲和异常值的干扰;随后,根据计算获得的皮尔森相关系数,对规范化处理后的数据进行线性加权数据融合处理,其中,车道流量作为主特征参数,皮尔森相关系数为权重系数,从而获得新的组合特征参数,以此来表征路段的交通流态势;之后,在组合特征参数的基础上,对每条路段执行一次层次聚类算法,生成对应的“snake”数组,并计算路段之间的相似度矩阵;接着,对相似度矩阵进行归一化处理,并设定交通控制子区的数量和随机初始化聚类指示矩阵;最后,根据目标函数,对相似度矩阵进行SNMF分解,求解获得最优的聚类指示矩阵。聚类指示矩阵的每一行都对应着一条路段,该行中最大数值的列,即是该路段所属的交通控制子区,由此可以获得最终的交通控制子区划分结果。
实验结果表明,本发明提出的交通控制子区划分方法是有效的,相对于单一特征参数,基于多源数据融合的组合特征参数可以获得更符合实际交通状况的交通控制子区划分结果,同时SNMF良好的分解特性,也避免了现有聚类划分方法的不足。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于多源数据融合和SNMF的交通控制子区聚类划分方法,包括如下步骤:
(1)通过车载GPS、或手机GPS、或北斗系统、或第三方公司获得行车速度特征参数数据,同时通过电警或卡口的视频摄像头获得车道流量特征参数数据;对这两种特征参数进行相关性分析,计算它们的皮尔森相关系数,具体计算公式如下:
其中,ρ表示行车速度和车道流量的皮尔森相关系数,V和Q分别表示所有路段的行车速度和车道流量,cov(V,Q)表示两者的协方差,σV和σQ分别表示V和Q的方差,vi表示路段i的行车速度,qi表示路段i的车道流量,和则分别表示所有路段行车速度和车道流量的平均值,n为交通路网的路段总数;
(2)对步骤(1)采集的交通数据进行数据规范化处理;数据规范化处理采用零均值标准化方法,具体计算公式如下:
(3)基于步骤(1)所得到的皮尔森相关系数,对行车速度和车道流量规范化后的数据进行线性加权数据融合处理,获得新的组合特征参数;其中,根据实际的交通流数据采集状况分析,车道流量数据更为准确,因此主特征定为车道流量,辅特征定为行车速度;数据融合的计算公式如下:
(4)基于步骤(3)所得到的组合特征参数,对每条路段执行一次层次聚类算法,为每条路段生成一个由路网中所有路段组成的有序数组,即“snake”数组si,其中i=1,2,...,n;一个数组即是一条“snake”,这条“snake”代表了起始元素对应路段周围的交通流态势分布情况,以及相邻路段的分布情况;“snake”数组si的生成过程:首先选择一条没有执行过该算法的路段i,获得对应的组合特征值ci,将其作为首个元素加入对应的“snake”数组si;然后,获取数组si中已有路段的所有相邻路段,假设这些相邻路段逐一加入数组si中,并计算加入后的组合特征参数方差,比较所有这些相邻路段逐一加入后的方差,选择方差最小的路段作为新的元素加入数组si中;重复迭代,直到所有路段都加入到数组si中,则路段i的层次聚类算法执行结束,数组si生成完毕;对每一条路段i都重复这个生成过程,直至生成所有的“snake”数组,即数组s1,s2,...,sn;“snake”数组生成过程中,加入某相邻路段后,组合特征参数方差的计算公式如下:
(5)基于步骤(4)获得所有路段的“snake”数组,计算所有路段之间的相似度矩阵W;矩阵W∈Rn×n,具体计算方法如下:
其中,i,j=1,2,...,n,w(i,j)是矩阵W的i行j列的元素,Sik和Sjk分别表示路段i和路段j对应的“snake”数组si和sj的前k条路段,intersect(Sik,Sjk)则表示Sik和Sjk在尺寸为k的情况下包含相同路段的数量,即针对数组si和sj的前k条路段,计算它们相同路段的数量;
(7)基于步骤(6)所得到的归一化相似度矩阵设定交通控制子区数目ns和随机初始化聚类指示矩阵H,并根据目标函数,对相似度矩阵进行SNMF分解,从而获得最终的交通控制子区划分结果;其中,矩阵有n行ns列,行代表路段,列代表交通控制子区;SNMF分解的目标函数为:
通过最小化以上目标函数,可以计算获得相似度矩阵的低秩近似矩阵H,其中,矩阵H每一行最大数值对应列所代表的子区,即为该行对应路段所属的交通控制子区;因此,根据SNMF优化求解获得的矩阵H,即可以获得最终的交通控制子区划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434932.XA CN110288825B (zh) | 2019-05-23 | 2019-05-23 | 基于多源数据融合和snmf的交通控制子区聚类划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434932.XA CN110288825B (zh) | 2019-05-23 | 2019-05-23 | 基于多源数据融合和snmf的交通控制子区聚类划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288825A CN110288825A (zh) | 2019-09-27 |
CN110288825B true CN110288825B (zh) | 2020-12-25 |
Family
ID=68002407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434932.XA Active CN110288825B (zh) | 2019-05-23 | 2019-05-23 | 基于多源数据融合和snmf的交通控制子区聚类划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288825B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145548B (zh) * | 2019-12-27 | 2021-06-01 | 银江股份有限公司 | 一种基于数据场和节点压缩的重点路口识别及子区划分方法 |
CN112419751B (zh) * | 2020-10-10 | 2021-10-08 | 同济大学 | 基于单截面电警数据的信号交叉口车道排队长度估计方法 |
CN113160556A (zh) * | 2021-03-12 | 2021-07-23 | 北京邮电大学 | 城市路网动态划分方法、装置、计算机设备和存储介质 |
CN113283665B (zh) * | 2021-06-10 | 2022-07-19 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
CN113538908B (zh) * | 2021-07-09 | 2022-05-17 | 大连海事大学 | 一种基于组合特征参数的路况分区系统 |
CN113706871A (zh) * | 2021-09-13 | 2021-11-26 | 中交第一公路勘察设计研究院有限公司 | 一种城市交通大数据处理中多源数据融合系统 |
CN118015840A (zh) * | 2024-04-08 | 2024-05-10 | 杭州海康威视数字技术股份有限公司 | 宏观子区的划分方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
KR20110124906A (ko) * | 2010-05-12 | 2011-11-18 | 한국항공대학교산학협력단 | 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법 |
CN103413117A (zh) * | 2013-07-17 | 2013-11-27 | 浙江工业大学 | 一种基于局部保持非负矩阵分解的增量学习人脸识别方法 |
CN103606274A (zh) * | 2012-12-18 | 2014-02-26 | 北京科技大学 | 一种城市道路交通状态评估方法 |
CN104794895A (zh) * | 2015-04-09 | 2015-07-22 | 吉林大学 | 一种面向高速公路的多源交通信息融合方法 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
-
2019
- 2019-05-23 CN CN201910434932.XA patent/CN110288825B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
KR20110124906A (ko) * | 2010-05-12 | 2011-11-18 | 한국항공대학교산학협력단 | 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법 |
CN103606274A (zh) * | 2012-12-18 | 2014-02-26 | 北京科技大学 | 一种城市道路交通状态评估方法 |
CN103413117A (zh) * | 2013-07-17 | 2013-11-27 | 浙江工业大学 | 一种基于局部保持非负矩阵分解的增量学习人脸识别方法 |
CN104794895A (zh) * | 2015-04-09 | 2015-07-22 | 吉林大学 | 一种面向高速公路的多源交通信息融合方法 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
Non-Patent Citations (3)
Title |
---|
Clustering of heterogeneous networks with directional flows based on "Snake"similarities;Mohammadreza Saeedmanesh;《Transportation Research Part B:Methodological》;20160604;参见第250-269页 * |
协调控制子区快速动态划分方法研究;卢凯 等;《自动化学报》;20120228;第38卷(第2期);正文第279-286页 * |
基于对称非负矩阵分解的信息融合方法与应用研究;马园园;《中国博士学位论文全文数据库 信息科技辑》;中国学术期刊电子杂志社;20180115(第12期);正文第31-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110288825A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108492555B (zh) | 一种城市路网交通状态评价方法及装置 | |
Sun et al. | Lane‐changing behavior on urban streets: An “in‐vehicle” field experiment‐based study | |
CN110288826B (zh) | 基于多源数据融合和milp的交通控制子区聚类划分方法 | |
Zheng et al. | Before-after safety analysis using extreme value theory: A case of left-turn bay extension | |
DE102012201472B4 (de) | Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen | |
Chen et al. | Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data | |
Jin et al. | Short-term traffic safety forecasting using Gaussian mixture model and Kalman filter | |
CN109272745B (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
DE102019113389B4 (de) | System und verfahren für ein vorhersage-entitätenverhalten | |
CN108335483B (zh) | 交通拥堵扩散路径的推断方法及其系统 | |
CN107909247A (zh) | 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法 | |
Aghabayk et al. | Modelling heavy vehicle car‐following behaviour in congested traffic conditions | |
CN109887279B (zh) | 一种交通拥堵预测方法及系统 | |
CN105913658B (zh) | 一种交通流推测od位置及od矩阵的方法 | |
DE102020103522A1 (de) | Fahrzeugsteuerung durch fahrbahnreibung | |
Li et al. | Real‐Time Prediction of Lane‐Based Queue Lengths for Signalized Intersections | |
DE102019114595A1 (de) | Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zum ableiten von strassenabschnittgeschwindigkeitsgrenzwerten | |
CN113487197A (zh) | 一种基于topsis评价模型的车联网信息筛选方法 | |
CN116205024A (zh) | 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
Sun et al. | A hybrid approach of random forest and random parameters logit model of injury severity modeling of vulnerable road users involved crashes | |
Shangguan et al. | An empirical investigation of driver car-following risk evolution using naturistic driving data and random parameters multinomial logit model with heterogeneity in means and variances | |
Aghabayk et al. | New car-following model considering impacts of multiple lead vehicle types | |
Anagnostopoulos et al. | Predicting roundabout lane capacity using artificial neural networks |
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 |