CN110444010A - 一种基于物联网的高速路车流预测方法 - Google Patents
一种基于物联网的高速路车流预测方法 Download PDFInfo
- Publication number
- CN110444010A CN110444010A CN201810411628.9A CN201810411628A CN110444010A CN 110444010 A CN110444010 A CN 110444010A CN 201810411628 A CN201810411628 A CN 201810411628A CN 110444010 A CN110444010 A CN 110444010A
- Authority
- CN
- China
- Prior art keywords
- expressway
- unit
- wagon flow
- online
- vehicle
- 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
Classifications
-
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于物联网的高速路车流预测方法。其包括：定义高速路距离最近的两个入口之间的路段为单位高速路；预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间；获取各个单位高速路第一个入口每个时段的在线车辆历史数据；接收车辆的车流预测请求，车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流；根据车辆的实时位置判断该车辆所在的单位高速路W2；实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A；根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据。本发明将历史数据、实时车流数据和正常通行时间相结合来进行预测，预测准确率高。
Description
技术领域
本发明涉及交通预测领域，更具体地，涉及一种基于物联网的高速路车流预测方法。
背景技术
随着城市交通的高速发展，对交通流量的预测对交通管理和公共安全至关重要。但目前城市，特别是特大城市中，交通拥堵已经成为各城市出行的一道难题，如果能够预先知道道路的交通状态 就可以采取预防措施。流量预测已越来越多的应用于人们的日常生活。例如，在智慧城市场景中，可以通过对特定区域的人口流量的预测、对特定区域的车流流量的预测等，运用信息和通信技术手段合理规划城市各项机能的运作，进而为城市中的人创造更美好的生活，促进城市的和谐、可持续成长。
但是，现有的流量预测方案普遍存在预测精度低、无法以标准化的预测逻辑灵活适用于不同类型的流量预测需求。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷（不足），提供一种具有高预测准确率的基于物联网的高速路车流预测方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于物联网的高速路车流预测方法，包括：
定义高速路距离最近的两个入口之间的路段为单位高速路；
预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间；
获取各个单位高速路第一个入口每个时段的在线车辆历史数据；
接收车辆的车流预测请求，所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流；
根据车辆的实时位置判断该车辆所在的单位高速路W2；
实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A；
根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据。
上述方案中，所计算的单位高速路的通过时间存储在表格中。
上述方案中，获取各个单位高速路第一个入口每个时段的在线车辆历史数据的具体步骤包括：
选择一个日常历史周，将该日常历史周每天划分成若干个时段；
获取该日常历史周每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。
上述方案中，获取各个单位高速路第一个入口每个时段的在线车辆历史数据的具体步骤还包括：
根据国家法定节假日前后浮动一定的日期，形成假日周期；
将该假日周期每天划分成若干个时段；
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
上述方案中，所述方法还包括将该平均在线车流历史数据与对应的单位高速路、时段存储在表格中。
上述方案中，根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据的具体步骤包括：
计算从W2到W1所需要经过的单位高速路，根据所经过的单位高速路的通过时间计算从W2到W1所需要的时间T2；
根据T2和T1预测该车辆到达W1的时刻T3；
查询T1和T3所在的时段所对应的平均在线车流历史数据，记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W1时的在线车流数据。
上述方案中，所述方法还包括拥堵程度预判模型，将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵；每个交通拥堵程度对应每个单位高速路设置在线车流阈值；将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较，从而预测该车辆到达单位高速路W1时的交通拥堵程度。
与现有技术相比，本发明技术方案的有益效果是：
本发明对高速路进行划分形成一段段的单位高速路，分别对各个单位高速路的正常通行时间和在线车辆历史数据进行计算和获取，然后根据车辆所在高速路的实时车流数据，根据历史数据、实时车流数据和正常的通行时间来预测车辆即将到达的单位高速路在车辆按照正常时间到达时的在线车流数据，历史数据、实时车流数据和正常通行时间相结合来进行预测，预测准确率高。
附图说明
图1为本发明一种基于物联网的高速路车流预测方法的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中，需要理解的是，此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，为本发明一种基于物联网的高速路车流预测方法，所述方法通过一个远程服务器和安装在车辆上的车流预测请求模块实现。通过远程服务器和各个车辆上的车流预测请求模块构成物联网。所述方法的具体步骤包括：
首先，定义高速路上距离最近的两个入口之间的路段为单位高速路；此方式是将高速路划分成一段段，从而实现对每段高速路的车流量预测，预测准确率高。
S101.预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间；所计算的单位高速路的通过时间存储在表格中，该通过时间存储时和单位高速路一对一进行存储，以便后续通过单位高速路查询对应的通过时间。
S102.预先获取各个单位高速路第一个入口每个时段的在线车辆历史数据；具体步骤包括：
选择一个日常历史周，将该日常历史周每天划分成若干个时段；该日常历史周的选择可以每个月或者每个季度重新选择一次并重新执行下面步骤以更新在线车辆历史数据。每天时段的划分可以以一个小时为单位进行划分，也可以根据交通高峰、平峰和夜间时段选择适合的划分方式。
获取该日常历史周每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。时间跨度指的是一个时段内所包含的时间长度，比如以一个小时为单位划分得到的时段，则一个小时的跨度是60分钟，可以将60分钟作为时间跨度来计算平均在线车流历史数据。
此外，考虑到高速路平日和节假日的车流数据区别很大，本发明的方法还通过特别获取国家法定节假日的在线车流历史数据来作为预测的基础数据，具体的：
根据国家法定节假日前后浮动一定的日期，形成假日周期；如根据国家规定2018年元旦的放假时间是2017.12.30-2018.1.1，则可以选择2017.12.29-2018.1.2形成元旦假日周期。
将该假日周期每天划分成若干个时段；同样的，每天时段的划分可以以一个小时为单位进行划分，也可以根据交通高峰、平峰和夜间时段选择适合的划分方式。
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据；具体实现过程中，获取上一年度的历史数据最为准确，因此，具体操作时假日周期的历史数据可以一年更新一次。
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
将步骤S102中得到的该平均在线车流历史数据与对应的单位高速路、时段存储在表格中。
具体应用时：
S103.接收车辆的车流预测请求，所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流；车辆的实时位置可以通过车辆自带的GPS获取。
S104.根据车辆的实时位置判断该车辆所在的单位高速路W2；
S105.实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A；
S106.根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据。具体步骤为：
计算从W2到W1所需要经过的单位高速路，根据所经过的单位高速路的通过时间计算从W2到W1所需要的时间T2；
根据T2和T1预测该车辆到达W1的时刻T3；
查询T1和T3所在的时段所对应的平均在线车流历史数据，记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W1时的在线车流数据。
在该预测方式中，通过实时获取数据的时刻来预测该车辆到达W1的时间，通过系数比L3/ L1来得到该车辆当前所在的单位高速路和预测要到达的单位高速路的在线车流历史数据的系数比，从而基于所获取到的A来预测得到单位高速路W1在线车流数据。此方式预测准确率高，可以实现在线车流的实时预测。
S107.所述方法还包括拥堵程度预判模型，将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵；每个交通拥堵程度对应每个单位高速路设置在线车流阈值；将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较，从而预测该车辆到达单位高速路W1时的交通拥堵程度。通过拥堵程度预判模型来对所预测的在线车流数据进行拥堵程度判断，为用户带来直观的拥堵判断，提升用户体验度。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于物联网的高速路车流预测方法，其特征在于，包括：
定义高速路距离最近的两个入口之间的路段为单位高速路；
预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间；
获取各个单位高速路第一个入口每个时段的在线车辆历史数据；
接收车辆的车流预测请求，所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流；
根据车辆的实时位置判断该车辆所在的单位高速路W2；
实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A；
根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据。
2.根据权利要求1所述的基于物联网的高速路车流预测方法，其特征在于，所计算的单位高速路的通过时间存储在表格中。
3.根据权利要求1所述的基于物联网的高速路车流预测方法，其特征在于，获取各个单位高速路第一个入口每个时段的在线车辆历史数据的具体步骤包括：
选择一个日常历史周，将该日常历史周每天划分成若干个时段；
获取该日常历史周每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。
4.根据权利要求3所述的基于物联网的高速路车流预测方法，其特征在于，获取各个单位高速路第一个入口每个时段的在线车辆历史数据的具体步骤还包括：
根据国家法定节假日前后浮动一定的日期，形成假日周期；
将该假日周期每天划分成若干个时段；
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据；
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
5.根据权利要求4所述的基于物联网的高速路车流预测方法，其特征在于，所述方法还包括将该平均在线车流历史数据与对应的单位高速路、时段存储在表格中。
6.根据权利要求5所述的基于物联网的高速路车流预测方法，其特征在于，根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据的具体步骤包括：
计算从W2到W1所需要经过的单位高速路，根据所经过的单位高速路的通过时间计算从W2到W1所需要的时间T2；
根据T2和T1预测该车辆到达W1的时刻T3；
查询T1和T3所在的时段所对应的平均在线车流历史数据，记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W1时的在线车流数据。
7.根据权利要求5所述的基于物联网的高速路车流预测方法，其特征在于，所述方法还包括拥堵程度预判模型，将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵；每个交通拥堵程度对应每个单位高速路设置在线车流阈值；将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较，从而预测该车辆到达单位高速路W1时的交通拥堵程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810411628.9A CN110444010B (zh) | 2018-05-02 | 2018-05-02 | 一种基于物联网的高速路车流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810411628.9A CN110444010B (zh) | 2018-05-02 | 2018-05-02 | 一种基于物联网的高速路车流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110444010A true CN110444010A (zh) | 2019-11-12 |
| CN110444010B CN110444010B (zh) | 2022-01-21 |
Family
ID=68427618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810411628.9A Active CN110444010B (zh) | 2018-05-02 | 2018-05-02 | 一种基于物联网的高速路车流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110444010B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113784357A (zh) * | 2021-09-15 | 2021-12-10 | 江苏大学 | 一种智能网联场景下的高速公路5g动态网络配置方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003288665A (ja) * | 2002-03-27 | 2003-10-10 | Fujitsu Fip Corp | 交通量感知器を用いた路面性状推定方法とシステム |
| CN101783075A (zh) * | 2010-02-05 | 2010-07-21 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
| CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
| CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
| CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
| CN105303856A (zh) * | 2015-11-11 | 2016-02-03 | 清华大学 | 一种预测模型的可变情报板信息发布方法 |
| CN105513394A (zh) * | 2015-11-26 | 2016-04-20 | 深圳市智汇十方科技有限公司 | 一种获取道路状况方法和获取道路状况系统 |
| 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 |
| CN106128142A (zh) * | 2016-06-29 | 2016-11-16 | 肖锐 | 一种机动车导航系统 |
| US20160364645A1 (en) * | 2015-06-12 | 2016-12-15 | Xerox Corporation | Learning mobility user choice and demand models from public transport fare collection data |
| CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
| CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
| KR101703058B1 (ko) * | 2016-08-30 | 2017-02-06 | 주식회사 블루시그널 | 교통데이터 분석에 의한 교통상태패턴 예측시스템 및 그 예측방법 |
| US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
| CN106803227A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于公交车载gps数据的主要客流量的公交od分析方法 |
| CN107153896A (zh) * | 2017-07-03 | 2017-09-12 | 北方工业大学 | 一种基于节点对熵的交通网路径预测方法及系统 |
| CN107240254A (zh) * | 2017-08-02 | 2017-10-10 | 河北冀通慧达科技有限公司 | 交通路况预测方法及终端设备 |
-
2018
- 2018-05-02 CN CN201810411628.9A patent/CN110444010B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003288665A (ja) * | 2002-03-27 | 2003-10-10 | Fujitsu Fip Corp | 交通量感知器を用いた路面性状推定方法とシステム |
| CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
| CN101783075A (zh) * | 2010-02-05 | 2010-07-21 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
| CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
| CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
| US20160364645A1 (en) * | 2015-06-12 | 2016-12-15 | Xerox Corporation | Learning mobility user choice and demand models from public transport fare collection data |
| CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
| CN105303856A (zh) * | 2015-11-11 | 2016-02-03 | 清华大学 | 一种预测模型的可变情报板信息发布方法 |
| CN105513394A (zh) * | 2015-11-26 | 2016-04-20 | 深圳市智汇十方科技有限公司 | 一种获取道路状况方法和获取道路状况系统 |
| 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 |
| US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
| CN106128142A (zh) * | 2016-06-29 | 2016-11-16 | 肖锐 | 一种机动车导航系统 |
| KR101703058B1 (ko) * | 2016-08-30 | 2017-02-06 | 주식회사 블루시그널 | 교통데이터 분석에 의한 교통상태패턴 예측시스템 및 그 예측방법 |
| CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
| CN106803227A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于公交车载gps数据的主要客流量的公交od分析方法 |
| CN107153896A (zh) * | 2017-07-03 | 2017-09-12 | 北方工业大学 | 一种基于节点对熵的交通网路径预测方法及系统 |
| CN107240254A (zh) * | 2017-08-02 | 2017-10-10 | 河北冀通慧达科技有限公司 | 交通路况预测方法及终端设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113784357A (zh) * | 2021-09-15 | 2021-12-10 | 江苏大学 | 一种智能网联场景下的高速公路5g动态网络配置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110444010B (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101413505B1 (ko) | 이력 및 현재 데이터에 기초하는 예상된 도로 교통 조건의 예측 방법 및 장치 | |
| Kalmanje et al. | Credit-based congestion pricing: Travel, land value, and welfare impacts | |
| El Esawey et al. | Development of daily adjustment factors for bicycle traffic | |
| Cho et al. | Optimal dynamic hotel pricing | |
| Lambe | Driver choice of parking in the city | |
| CN106408991A (zh) | 基于需求特性和停车场利用率的停车场动态定价方法 | |
| CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
| JP2006079483A (ja) | 交通情報提供装置，交通情報提供方法 | |
| CN104882020A (zh) | 预测交通状况和行车时间 | |
| WO2019070237A1 (en) | VEHICLE AND NAVIGATION SYSTEM | |
| CN111931317B (zh) | 基于车载gps数据的区域拥堵路网边界控制方法 | |
| CN111712862A (zh) | 用于生成交通量或交通密度数据的方法和系统 | |
| CN105551239A (zh) | 旅行时间预测方法及装置 | |
| Paterson et al. | A review of the components, coefficients and technical assumptions of Ontario's Lakeshore Capacity Model | |
| CN111260933B (zh) | 用于高分辨率机动车动态排放清单的小时交通量测算方法 | |
| JP2015055607A (ja) | 移動案内装置及び移動案内方法 | |
| CN106225793A (zh) | 基于经验的导航算法 | |
| CN110444010A (zh) | 一种基于物联网的高速路车流预测方法 | |
| CN109635859A (zh) | 基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 | |
| JP6107964B2 (ja) | 情報処理装置及び情報処理方法 | |
| CN110444009A (zh) | 一种基于物联网的高速路车流预测系统 | |
| CN108898851A (zh) | 城市道路断面交通量组合预测方法 | |
| CN110503822A (zh) | 确定交通方案的方法和装置 | |
| Mekuriaw | Analysis of current and future water demand scenario in Yejube town, Ethiopia | |
| Chen et al. | Historical travel time based bus-arrival-time prediction model |
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 | ||
| CB02 | Change of applicant information |
Address after: 511458 room 25, 903, No. 26, Jinlong Road, Nansha District, Guangzhou City, Guangdong Province Applicant after: Sesame open door Network Information Co.,Ltd. Address before: 511400 room x5137, Room 501, No. 13, Longxue Avenue Middle Road, Longxue Island, Nansha District, Guangzhou City, Guangdong Province Applicant before: ZHIMAKAIMEN NETWORK INFORMATION Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211231 Address after: 510530 unit 304, building C2, innovation building, No. 182, Kexue Avenue, Huangpu District, Guangzhou, Guangdong Province (office only) Applicant after: GUANGZHOU ZHIFENG DESIGN RESEARCH AND DEVELOPMENT Co.,Ltd. Address before: 511458 room 25, 903, No. 26, Jinlong Road, Nansha District, Guangzhou City, Guangdong Province Applicant before: Sesame open door Network Information Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |