CN110570660A - 一种实时在线交通仿真系统及方法 - Google Patents

一种实时在线交通仿真系统及方法 Download PDF

Info

Publication number
CN110570660A
CN110570660A CN201911075208.9A CN201911075208A CN110570660A CN 110570660 A CN110570660 A CN 110570660A CN 201911075208 A CN201911075208 A CN 201911075208A CN 110570660 A CN110570660 A CN 110570660A
Authority
CN
China
Prior art keywords
simulation
traffic
path
time
real
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.)
Pending
Application number
CN201911075208.9A
Other languages
English (en)
Inventor
张晓春
陈振武
周勇
吴若乾
许燕青
罗佳晨
梁晨
张稷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN201911075208.9A priority Critical patent/CN110570660A/zh
Publication of CN110570660A publication Critical patent/CN110570660A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于交通仿真技术领域，提供了一种实时在线交通仿真系统，包括：检测数据采集模块、初始矩阵获取模块、动态路径决策模块、中观交通流仿真模块、精度计算模块、动态OD估计模块、短时交通状态预测模块、中微观融合交通仿真模块和实时在线模块。该仿真系统能够充分利用和挖掘多源数据的价值，生成更符合实际交通状况的OD路径集，且充分考虑仿真数据的时效性，提升动态OD估计的精准度。

Description

一种实时在线交通仿真系统及方法
技术领域
本申请属于交通仿真技术领域，尤其涉及一种实时在线交通仿真系统及方法。
背景技术
交通仿真技术已经是交通管控中常用的技术手段之一。近年来随着个人计算机的普及和其运算速度的迅速提高，新一代交通仿真软件的开发和应用有了长足的进展。以往的交通仿真主要借助综合交通规划工具（如TransCAD、EMME/2、TRIPS和VISUM等）做出交通需求预测以后，进一步用传统交通仿真软件来分析未来的路网上交通需求与供给的动态关系，以弥补静态交通分配模型的不足，验证其假设前提（如通过能力和V/C比）和结果（预测行驶时间和流量）。
随着计算机软件开发技术的进步以及世界各国研究智能交通系统（ITS）的热潮的到来，出现了大批以评价ITS效益的仿真软件，并逐渐的形成商品化。
然而，现有的交通仿真技术仍存在不少缺点，各类商品的应用产品也均在不断的改进和更新过程中，寻找一种更为优秀的交通仿真技术成为本领域技术人员持续研究的课题。
发明内容
本申请实施例提供了一种实时在线交通仿真系统及方法，可以能够充分利用和挖掘多源数据的价值，生成更符合实际交通状况的OD路径集，且充分考虑仿真数据的时效性，提升动态OD估计的精准度。
第一方面，本申请实施例提供了一种实时在线交通仿真系统，包括：
检测数据采集模块，用于采集目标交通路网的交通实时检测数据；
初始矩阵获取模块，用于获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵；
动态路径决策模块，用于在所述目标交通路网上对所述初始OD矩阵中的各对OD分别进行动态路径分配，生成动态OD路径集，并根据用户均衡原则在所述动态OD路径集中进行动态路径选择，确定所述动态OD路径集中各条OD路径对应的路径流量；
中观交通流仿真模块，用于根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载，刻画仿真区域内车辆的交通运动状态，得到所述目标交通路网的交通仿真结果；
精度计算模块，用于将所述交通仿真结果与所述交通实时检测数据进行比较，计算出所述交通仿真结果的仿真精度；
动态OD估计模块，用于若所述仿真精度不符合预设精度要求，则依据所述交通仿真结果与所述交通实时检测数据之间的差异进行动态OD估计，对所述目标交通路网的各条OD路径上的流量进行调整，并返回触发所述中观交通流仿真模块；
短时交通状态预测模块，用于若所述仿真精度符合预设精度要求，则根据所述交通仿真结果和所述交通实时检测数据进行短时交通预测，得到所述仿真区域内的交通状态预测结果；
中微观融合交通仿真模块，用于在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行；
实时在线模块，用于在所述目标交通路网上，重复调用所述检测数据采集模块、初始矩阵获取模块、动态路径决策模块、中观交通流仿真模块、精度计算模块、动态OD估计模块、短时交通状态预测模块和中微观融合交通仿真模块，以预设时间颗粒度为更新步长进行实时滚动更新；
所述中微观融合交通仿真模块包括：
中微观区域划分单元，用于预先将所述目标交通路网的仿真区域划分为中观仿真区域和微观仿真区域，并对所述中观仿真区域和微观仿真区域的区域边界完成空间匹配，所述微观仿真区域的刻画精度高于所述中观仿真区域；
结果仿真运行单元，用于将所述交通仿真结果和所述交通状态预测结果以相同的仿真步长在所述中观仿真区域和微观仿真区域内仿真运行；
车辆进入仿真单元，用于在仿真运行过程中，当有仿真车辆从所述中观仿真区域进入微观仿真区域时，将所述仿真车辆的编号、进入时间以及行驶路径输入到所述微观仿真区域；
车辆返回仿真单元，用于在仿真运行过程中，当有仿真车辆从所述微观仿真区域返回中观仿真区域时，将所述仿真车辆的编号、离开时间以及微观路段的仿真状态输出到所述中观仿真区域。
第二方面，本申请实施例提供了一种实时在线交通仿真方法，包括：
采集目标交通路网的交通实时检测数据；
获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵；
在所述目标交通路网上对所述初始OD矩阵中的各对OD分别进行动态路径分配，生成动态OD路径集，并根据用户均衡原则在所述动态OD路径集中进行动态路径选择，确定所述动态OD路径集中各条OD路径对应的路径流量；
根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载，刻画仿真区域内车辆的交通运动状态，得到所述目标交通路网的交通仿真结果；
将所述交通仿真结果与所述交通实时检测数据进行比较，计算出所述交通仿真结果的仿真精度；
若所述仿真精度不符合预设精度要求，则依据所述交通仿真结果与所述交通实时检测数据之间的差异进行动态OD估计，对所述目标交通路网的各条OD路径上的流量进行调整，并返回执行所述根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载的步骤；
若所述仿真精度符合预设精度要求，则根据所述交通仿真结果和所述交通实时检测数据进行短时交通预测，得到所述仿真区域内的交通状态预测结果；
在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行；
所述在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行包括：
预先将所述目标交通路网的仿真区域划分为中观仿真区域和微观仿真区域，并对所述中观仿真区域和微观仿真区域的区域边界完成空间匹配，所述微观仿真区域的刻画精度高于所述中观仿真区域；
将所述交通仿真结果和所述交通状态预测结果以相同的仿真步长在所述中观仿真区域和微观仿真区域内仿真运行；
在仿真运行过程中，当有仿真车辆从所述中观仿真区域进入微观仿真区域时，将所述仿真车辆的编号、进入时间以及行驶路径输入到所述微观仿真区域；
在仿真运行过程中，当有仿真车辆从所述微观仿真区域返回中观仿真区域时，将所述仿真车辆的编号、离开时间以及微观路段的仿真状态输出到所述中观仿真区域。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实时在线交通仿真方法。
第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述实时在线交通仿真方法。
可以理解的是，上述第一方面至第四方面的有益效果可以参见上述第二方面中的相关描述，在此不再赘述。
综上所述可知，本申请提供的一种实时在线交通仿真系统及方法，能够充分利用和挖掘多源数据的价值，生成更符合实际交通状况的OD路径集；并且，可以从路径流量调整的角度出发进行动态OD估计，调整路径流量使得交通仿真结果与交通实时检测数据一致，充分考虑了仿真数据的时效性，提升了动态OD估计的精准度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例中实时在线交通仿真方法的一应用环境示意图；
图2是本申请一实施例中实时在线交通仿真方法的一流程图；
图3是本申请一实施例中实时在线交通仿真方法步骤102在一个应用场景下的流程示意图；
图4是本申请一实施例中实时在线交通仿真方法步骤104在一个应用场景下的流程示意图；
图5是本申请一实施例中一种空间排队模型的示意图；
图6是本申请一实施例中实时在线交通仿真方法在一个应用场景下中观交通流仿真的并行计算的流程示意图；
图7是本申请一实施例中实时在线交通仿真方法在一个应用场景下路段link的示意图；
图8是本申请一实施例中实时在线交通仿真方法在一个应用场景下进行实时在线仿真的实现流程示意图；
图9是本申请一实施例中基于分层路网的OD最优路径搜索方法的一流程图；
图10是本申请一实施例中实时在线交通仿真系统的结构示意图；
图11是本申请一实施例中实时在线交通仿真系统在一个应用场景下的系统架构示意图；
图12是本申请一实施例中计算机设备的一示意图。
具体实施方式
本申请提供的实时在线交通仿真方法，可应用在如图1的应用环境中，其中，客户端可以通过网络与服务器进行通信。其中，该客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种实时在线交通仿真方法，以该方法应用在图1中的服务器为例进行说明，该服务器上装载有一种实时在线交通仿真系统，包括如下步骤：
101、采集目标交通路网的交通实时检测数据；
本实施例中，服务器可以通过安放在各个交通路段上的线圈检测、电子警察、车牌识别、地磁、射频识别（RFID）等前端采集设备，也即检测器，采集得该目标交通路网上的交通数据，经过数据整理和分析后，可以作为该目标交通路网的交通实时检测数据使用。其中，交通实时检测数据可以包括但不限于车辆流量、密度、流速等数据。特别地，本实施例中该交通实时检测数据的时间颗粒度可以细分为15分钟。
需要说明的是，服务器上搭载一种实时在线交通仿真系统，在该系统上，可以预先根据基础路网数据、公交线路数据以及信号控制数据等数据构建车道级的路网模型，即该目标交通路网。
102、获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵；
服务器在采集得到交通实时检测数据之后，可以获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵。这里所说的交通出行数据是指能够表征目标交通路网中车辆出行状况的数据，比如停车场出入口的流量数据、路段路口的车牌识别数据、手机导航软件的信令数据等等。
为便于理解，如图3所示，进一步地，步骤102具体可以包括：
201、获取指定多源数据和所述仿真区域内的转向流量数据，所述指定多源数据至少包括表征车辆交通出行的手机信令数据和停车场出入数据；
202、根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵；
203、根据OD时变特征将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵，作为所述初始OD矩阵。
对于步骤201，可以理解的是，服务器可以从指定多源数据中挖掘出表征车辆交通出行的信息，例如手机信令数据和停车场出入数据，还可以包括路段路口的车牌识别数据、地磁识别数据、建筑普查数据等，从大数据融合挖掘的角度具体确定这些指定多源数据进行表征。另外，服务器还可以获取仿真区域内的转向流量数据。
对于步骤202，在获取到指定多源数据和所述仿真区域内的转向流量数据之后，服务器可以根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵。
对于步骤203，容易理解的是，通过分析OD的时变特征，服务器可以将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵，作为所述初始OD矩阵。其中，该预设时间颗粒度具体可以为15分钟，通过划分细的时间颗粒度OD矩阵，能够提升交通仿真的时效性，有助于实时的交通管控。
在实际应用场景中，初始OD矩阵可以分为基于多源数据融合的初始OD矩阵生成，以及基于转向流量的初始OD矩阵生成。
在基于多源数据融合的初始OD矩阵生成方式中，通过手机信令数据、建筑人口岗位普查数据以及宏观模型数据等数据，可以获得仿真区域一天内的各个交通小区的出行总量和出行空间分布。此外，通过停车场出入数据、手机信令数据以及车牌识别数据等数据，可以得到仿真区域内不同交通小区的出行时间分布。由出行总量、出行空间和时间分布可分析OD时变特征，根据时变特征将全天OD矩阵细分为每15分钟的OD矩阵。
在基于转向流量的初始OD矩阵生成方式中，基于仿真区域内各出入口整体交通流量和交叉路口转向流量比，可通过计算挖掘出仿真区域内的初始OD需求。具体地，步骤一，通过仿真区域各个出入口的交通流量，可以获得整体的出行总量分布，通过仿真区域内各个路口的转向流量数据，可以获得各个路口的转向流量比；步骤二，对入口的交通流量分别按单个车辆进行分析，将转向流量比作为车辆在路口进行路径选择的概率，车辆不断进行选择直到运行到仿真区域的终点结束整个行程，从而构建出单个车辆的完整出行路径；步骤三，对所有车辆的出行路径进行分配后，统计各个出口的流量，判定统计流量与实际流量是否满足精度要求，若满足，则输出初始OD矩阵的结果；若不满足，则修正转向流量比，并重新执行该步骤二。
103、在所述目标交通路网上对所述初始OD矩阵中的各对OD分别进行动态路径分配，生成动态OD路径集，并根据用户均衡原则在所述动态OD路径集中进行动态路径选择，确定所述动态OD路径集中各条OD路径对应的路径流量；
首先，需要说明的是，为了便于动态路径分配和动态路径选择，可以预先依据地磁流量数据、浮动车轨迹数据、视频卡口数据等交通状况数据在该目标交通路网上标定道路通行能力、信号交叉路口、路口流率以及路段流密度等交通参数。
具体地，可通过利用地磁、卡口、视频等数据实现对通行能力、自由流速度和饱和流率等交通参数的本地化标定。
道路通行能力标定：以道路的实时交通流检测数据为基础，分析不同道路等级的通行能力。对于给定的一条道路，观察其15分钟的流量变化情况，并对该道路在一周甚至更长时间范围内的流量进行统计分析，将流量从小到大进行排序，取95%位置处的流量作为路段的通行能力。同样可对自由流速度进行标定。
信号交叉口饱和流率标定：以信号交叉口进口道的实时检测数据及交叉口无人机航拍视频数据为基础，计算不同交叉口形态及不同交叉口车道组合下的车辆车头时距，实现对交叉口饱和流率标定。同时，基于交叉口道路等级、交叉口车道组合对片区整体路网的所有交叉口进行分类，基于已有的交叉口饱和流率实现对所有交叉口进行标定。
对于步骤103，在获得初始OD矩阵后，服务器接下来需要得知车辆是如何从O点行驶到D点，按照什么样的路径运行的，即需解决动态路径决策问题。
动态路径选择算法可以根据时变路网交通状况为出行者分配出行路径，与传统宏观四阶段模型中的路径选择相比，动态路径选择算法的区别在于出行成本具有时变性，并且出行成本中的行程时间对于遵循不同动态路径选择准则的出行者具有差异。
在本申请中，根据不同的用户需求和数据条件，服务器可以充分利用多源大数据，提供了多种动态路径选择算法可供用户选择，具体如下。
（1）基于真实数据的路径集生成算法
基于路口转向流量数据或出行轨迹GPS数据，利用基于多源数据融合的OD路径集生成算法，计算获取仿真区域内OD对之间的真实出行路径集，并帮助进行动态路径规划决策。可以利用转向流量数据，按照上述基于转向流量的初始OD生成方式同样可以得到不同OD之间的路径合集；另一方面，利用出行轨迹数据，可通过将GPS点根据地图匹配算法匹配到目标交通路网上，并统计不同OD之间的路径，选取合理路径作为OD之间的路径集；最后，对以上由两种不同的真实数据集构建的路径进行比较验证、相互补充，从而形成合理的动态路径合集。
（2）基于路网分层的路径集生成算法
针对由于在中长距离交通出行过程，车辆在行程的起始段和中间段的路径选择行为有所不同，以及由于路网规模过大而导致传统路径搜索算法计算效率低下的问题，引入了路网分层处理的思想，大幅提升最短路径的计算搜索速度，并由此得到目标OD的前k条最优路径，形成最优路径集。具体该算法的处理过程通过后面一个实施例进行举例描述，此处不再赘述。
（3）基于仿真的路径集生成算法
在缺少真实数据构建OD之间进行路径集时，本申请提供了两种基于仿真过程的交通分配方法：基于仿真的迭代平衡分配和基于仿真的增量加载分配，用于生成实时在线仿真中所需的路径集。两种方法都属于交通分配中的具有容量限制的分配方法。
基于仿真的迭代平衡分配算法首先会按照自由流的旅行时间将OD流量分配到各自的最短路径上，之后会通过仿真迭代过程不断地调整各路段上的分配流量从而逐渐接近平衡分配的结果；
基于仿真的增量加载分配算法是在全有全无最短路径分配方法的基础上，逐步向目标交通路网中加载流量，该过程考虑路段流量的逐步变化对于道路阻抗的影响，并希望通过道路阻抗的逐步变化，不断地调整整个目标交通路网交通量的分配。
104、根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载，刻画仿真区域内车辆的交通运动状态，得到所述目标交通路网的交通仿真结果；
服务器在确定了目标交通路网中车辆的初始OD和路径后，为实现交通仿真，最后需要解决的问题是：车辆在该目标交通路网中是如何行驶的，即如何在仿真区域中刻画车辆的交通状态；
为了兼顾交通仿真的刻画精细程度与实际运行效率，本申请采用基于空间排队的中观交通流仿真模型刻画车辆在目标交通路网中的交通运动状态。在基于路段的中观交通仿真层面中，利用“流-密-速”关系来刻画车辆的状态，且暂不考虑车辆变道行为。同时为了考虑实际运行效率，中观交通流仿真过程采用了并行计算，大幅提升了运行效率，能够满足大规模路网的快速仿真运算的需求。接下来，结合技术路线对中观交通流仿真流程进行详细说明。
具体地，如图4所示，步骤104可以包括：
301、获取所述各条OD路径的动态路径选择结果，得到所述各条OD路径对应的动态OD路径以及路径流量；
302、将得到的动态OD路径以及路径流量实时加载到所述目标交通路网的仿真区域中；
303、针对每条动态OD路径，从所述每条动态OD路径的起点所在的交通小区出发，根据所述每条动态OD路径对应的路径流量生成仿真车辆，所述仿真区域被预先划分为多个所述交通小区；
304、对所述仿真车辆从起点出发，按照所述仿真车辆对应的动态OD路径行驶至终点的过程进行仿真，并在所述仿真车辆达到终点时将所述仿真车辆从所述仿真区域内移除。
对于步骤301和步骤302，服务器可以根据所述各条OD路径的动态路径选择结果确定所述各条OD路径对应的动态OD路径以及路径流量，并将流量不断地加载到目标交通路网中，反映路网上各个路段的时变交通状况。
对于步骤303和步骤304，服务器可以针对每条动态OD路径，从所述每条动态OD路径的起点所在的交通小区出发，根据所述每条动态OD路径对应的路径流量生成仿真车辆，并对仿真车辆从起点出发，按照所述仿真车辆对应的动态OD路径行驶至终点的过程进行仿真，当所述仿真车辆达到终点时，服务器可以将所述仿真车辆从所述仿真区域内移除。
优选地，仿真车辆在目标交通网络中行驶过程可以采用空间排队模型，大致可分为流量路段移动与节点转移两部分。路段移动过程反映仿真车辆在路段上的行驶状况，考虑了排队车辆在路段中所占空间；节点转移过程会考虑节点上游路段的交通需求与下游路段的交通供给，现结合图5开展详细说明。
在路段移动过程中，队列link可分为自由流运动部分和排队队列部分，车辆在自由流运动过程中，以自由流速度向前行驶，直至运行到路段排队队列的队尾，进行排队；
在节点转移过程中，需要分别计算节点的驶入和驶出的通行能力。驶入通行能力in_cap主要考虑link中还能容纳多少辆车，主要受道路长度length、拥堵密度k_jam和路段已有车辆num影响。驶出通行能力out_cap主要考虑在给定仿真步长ts内能够通行车辆的数目，主要受车道的通行能力lane_cap、车道数lane_num有关；
in_cap=length*k_jam-num;
out_cap=lane_cap*lane_num*ts/3600;
如图5所示，经过计算，link的驶入通行能力in_cap=2，link的驶出通行能力out_cap=2，所以经过一个仿真步长ts后，有2辆车驶出该条link，同时有2辆车进入该条link。同时，之前处于自由流运动部分的车辆进入队列排队，等待下个仿真时间步长。
此外，针对于传统的中观仿真模型在一个仿真步长ts内，仿真车辆只能在一条路段link内运行的局限，本申请实现了在同一仿真时间步长ts下，车辆能够实现跨多条路段link进行仿真，能够适应路网的不同路段划分方式，具有较强的普适性，具体实现过程如下：
在原仿真的基础上，为每辆车增加车辆状态变量a（a=0~ts），用于表示在每个仿真步长ts内该车辆的实际行驶情况。a=ts表示车辆还未移动；a=0表示车辆已完成该仿真步长内的仿真；为每辆车路径上的节点增加时间变量t，记录该节点到下一节点仍需的自由流运行时间；为每辆车路径上的节点增加节点状态变量z（0或1），记录车辆是否完成了该节点，z=0表示车辆未完成该节点；z=1表示车辆完成该节点；
新的仿真过程会在维持原仿真的基础上，增加跨link的仿真步骤，具体仿真流程可见图6。在一个仿真步长ts内，完成路段移动与节点转移后，需遍历所有车辆，查找未完成该仿真步长的车辆，并继续重复进行路段移动与节点转移过程，直至所有的车辆完成自身的仿真步长，所有车辆的状态变量a变为0；
现以具体实例进行说明，如图7所示，设仿真步长ts=6s，某车辆将经过节点A、B、C、D和E，路段link上标注的时间为该link的自由流行驶时间。现可得到表1中的车辆在实际运行过程中，车辆相关各类变量的变化情况，实现车辆的在仿真步长内的跨路段link的仿真。
表2实现可进行跨路段link的中观仿真
另外，优选地，本申请在中观交通流仿真过程中还可以采用了仿真并行技术，在图6中的中观仿真过程的并行计算图中，说明了仿真过程中的并行计算区域以及串行计算区域，通过将车辆在每条路段link的移动过程与节点转移过程分别独立开来，进行并行计算，可以大幅提升仿真运行速度。
105、将所述交通仿真结果与所述交通实时检测数据进行比较，计算出所述交通仿真结果的仿真精度；
为了评价该交通仿真结果是否符合实际交通的情况，服务器可以通过计算其仿真精度来进行判定。具体地，步骤105可以包括：
401、针对所述目标交通路网上每个检测器路段，将所述每个检测器路段的路段仿真值与路段检测值进行对比，计算所述每个检测器路段的仿真精度；
402、根据所述目标交通路网上各个检测器路段各自对应的仿真精度计算所述交通仿真结果的仿真精度。
对于步骤401，服务器可以先针对该目标交通路网上每个检测器路段进行仿真精度的统计计算。具体为：将所述每个检测器路段的路段仿真值与路段检测值进行对比，根据第二公式计算所述每个检测器路段的仿真精度；所述第二公式为：
其中，S i 为检测器路段i的路段仿真值，O i 为检测器路段i的路段检测值，δ i 为检测器路段i的仿真精度。
可知，通过第二公式，可以将每个检测器路段i的仿真精度计算出来，共得到n个检测器路段的仿真精度。
对于步骤402，在计算出所述每个检测器路段的仿真精度之后，可以根据所述目标交通路网上各个检测器路段各自对应的仿真精度计算所述交通仿真结果的仿真精度，具体地，将所述目标交通路网上各个检测器路段各自对应的仿真精度代入第三公式计算所述目标交通路网的仿真精度，作为所述交通仿真结果的仿真精度；所述第三公式为：
其中，δ为所述目标交通路网的仿真精度，n为所述目标交通路网上检测器路段的数量。
106、若所述仿真精度不符合预设精度要求，则依据所述交通仿真结果与所述交通实时检测数据之间的差异进行动态OD估计，对所述目标交通路网的各条OD路径上的流量进行调整，并返回执行步骤104；
服务器在计算出交通仿真结果的仿真精度之后，需要判断该仿真精度是否符合预设精度要求，若符合，可以认为该交通仿真结果符合实际交通现实的OD分布；反之，若不符合，可以认为该交通仿真结果与实际交通现实的OD分布存在较大差异，应当重新进行优化调整。本实施例中，当所述仿真精度不符合预设精度要求时，服务器需要依据所述交通仿真结果与所述交通实时检测数据之间的差异进行动态OD估计，并对所述目标交通路网的各条OD路径上的流量进行调整。
关于各条OD路径上的流量调整，本实施例采用三项调节项分别对每条OD路径的流量进行调整，进一步地，所述对所述目标交通路网的各条OD路径上的流量进行调整包括：
501、分别获取所述各条OD路径各自对应的交通实时检测数据和交通仿真结果，记为路径检测数据和路径仿真结果；
502、针对每条OD路径，计算所述每条OD路径的初始OD数据和现有OD数据的第一偏差值，其中，所述初始OD数据来自于初始OD矩阵，所述现有OD数据来自于所述每条OD路径的路径检测数据或路径仿真结果；
503、针对每条OD路径，计算所述每条OD路径上车辆的仿真旅行时间与实际旅行时间的第二偏差值，其中，所述仿真旅行时间来自于路径仿真结果，所述实际旅行时间来自于路径检测数据；
504、针对每条OD路径，根据所述每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值，其中，路径仿真值来自于路径仿真结果，所述路径检测值来自于路径检测数据，所述回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间，所述各个检测器设于所述目标交通路网上采集交通实时检测数据；
505、针对每条OD路径，根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量；
506、针对每条OD路径，根据所述调节量调节所述每条OD路径的流量。
对于步骤501，可以理解的是，交通实时检测数据和交通仿真结果中包括了目标交通路网上每条OD路径的数据，即该路径检测数据和路径仿真结果，服务器容易从中提取得到这些数据。
对于步骤502，服务器可以从初始OD矩阵获取到一条OD路径的初始OD数据，然后从路径检测数据或路径仿真结果中获取到一条OD路径的现有OD数据，然后计算这条OD路径的初始OD数据和现有OD数据的第一偏差值。
对于步骤503，针对该条OD路径上的车辆，服务器可以从路径仿真结果获取到其仿真旅行时间，从路径检测数据获取到期实际旅行时间，然后计算两者的差值得到第二偏差值。
对于步骤504，服务器可以根据交通实时检测数据，通过每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值，这里所说的回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间，该时间的引入可以保证流量调节过程中仿真数据与检测数据在时间片上是一致的。另外，上述的路径仿真值可以由服务器从路径仿真结果中提取得到，同理，所述路径检测值由服务器从路径检测数据中提取得到。
对于步骤505，对于每条OD路径来说，在得到第一、第二、第三偏差值这三个调节项之后，服务器可以根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量。具体为：针对每条OD路径，将所述第一偏差值、第二偏差值和第三偏差值代入第一公式计算出所述每条OD路径的调节量；所述第一公式为：
其中，D All 为所述每条OD路径的调节量，D OD 为所述每条OD路径的第一偏差值，D Time 为所述每条OD路径的第二偏差值，D Measure 为所述每条OD路径的第三偏差值，α、β和λ为预设的置信参数。
考虑到存在经过多次对各条OD路径上流量调整仍无法使得新的交通仿真结果的仿真精度满足要求的情况，此时可能对服务器造成较大负担且难以得到满意的结果，因此，本实施例中还可以加入迭代次数的限制，当迭代调整的次数达到一定值时，跳出调节过程并输出最后的交通仿真结果。进一步地，对所述目标交通路网的各条OD路径上的流量进行调整的过程还可以包括：
601、每当对所述目标交通路网的各条OD路径上的流量进行调整时，累计迭代次数加1；
602、在对所述目标交通路网的各条OD路径上的流量进行调整之前，判断当前的迭代次数是否超过预设的次数阈值，若否，则执行步骤603，若是，则执行步骤604；
603、执行所述对所述目标交通路网的各条OD路径上的流量进行调整的步骤；
604、直接输出所述交通仿真结果。
对于步骤601，在每次对所述目标交通路网的各条OD路径上的流量进行调整之后，服务器可以累计迭代次数加1。
对于步骤602，在下一次调整之前，服务器可以判断当前的迭代次数是否超过预设的次数阈值，若否，则说明迭代次数尚在可接受范围内，可以执行步骤603，若是，则说明迭代次数已达到限制值，进一步迭代也难以得到效果更好的仿真结果，为了减轻服务器负担且提升仿真结果的输出效率，可以执行步骤604。
对于步骤603和步骤604，可以理解的是，若当前的迭代次数不超过预设的次数阈值，则服务器可以执行所述对所述目标交通路网的各条OD路径上的流量进行调整的步骤，即执行上述步骤106；反之，若当前的迭代次数超过预设的次数阈值，则可以认为该交通仿真结果是目前最接近实际交通状况的结果，可以直接输出所述交通仿真结果。
特别地，该次数阈值可以根据实际使用情况设定，并且，服务器在进入流量调整的迭代循环之前，可以预先初始化该次数阈值，还可以一并对上述的预设精度要求中的预设精度值、置信度参数进行初始化处理。
107、若所述仿真精度符合预设精度要求，则根据所述交通仿真结果和所述交通实时检测数据进行短时交通预测，得到所述仿真区域内的交通状态预测结果；
可以理解的是，在实时在线交通仿真系统中，在实现了对交通现状的精准实时在线模拟后，服务器接下来要解决的问题就是实现对未来路网交通状态变化的精准预测，进而帮助交通管控。
本申请通过采用人工智能技术实现对路段未来流量、速度以及OD矩阵进行预测。整个交通状态预测的大致过程为，首先将各类数据输入，包括路段特征数据、流量、速度、时间特征、天气特征等等，然后通过深度学习中的长短记忆法（LSTM）对这些数据的时间、空间特征进行分析提取，然后进行预测，得到路该仿真区域内各个路段未来的流量、速度和出行需求等信息，作为该仿真区域内的交通状态预测结果。
108、在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行。
为满足不同仿真刻画精度的需求，实时在线交通仿真系统还可以接入微观仿真模块，将中观仿真和局部微观仿真技术进行融合，实现中微观融合仿真。
在一具体应用场景中，本申请中的实时在线交通仿真系统的微观仿真模块具体可以是基于开源的微观仿真平台SUMO，并在SUMO的基础上进行二次开发，实现与中观仿真的衔接。其提供车道级车辆轨迹可视化，为交通决策者提供更直观的交通运行状况效果展示，支持微观颗粒度的交通运行状态监测、交通管控与出行服务。
具体地，步骤108可以包括：
701、预先将所述目标交通路网的仿真区域划分为中观仿真区域和微观仿真区域，并对所述中观仿真区域和微观仿真区域的区域边界完成空间匹配，所述微观仿真区域的刻画精度高于所述中观仿真区域；
702、将所述交通仿真结果和所述交通状态预测结果以相同的仿真步长在所述中观仿真区域和微观仿真区域内仿真运行；
703、在仿真运行过程中，当有仿真车辆从所述中观仿真区域进入微观仿真区域时，将所述仿真车辆的编号、进入时间以及行驶路径输入到所述微观仿真区域；
704、在仿真运行过程中，当有仿真车辆从所述微观仿真区域返回中观仿真区域时，将所述仿真车辆的编号、离开时间以及微观路段的仿真状态输出到所述中观仿真区域。
以上步骤101-108构成了在特定时间内的交通仿真全过程，为满足交通仿真实时性的需求，本申请可以采用交通仿真全过程随时间进行滚动更新的方法，实现了实时在线仿真。为保持时间颗粒度的总体一致性，该实时在线仿真滚动更新的时间粒度同样设为15分钟。实时在线更新的步骤为：在所述目标交通路网上，重复执行从步骤101至步骤108的交通仿真过程，以预设时间颗粒度为更新步长进行实时滚动更新。为便于理解，下面以一具体应用场景，对实时在线仿真的实现流程进行说明，请参阅图8。
设当前时刻为8：00，且已获得7：00-8：00的检测数据，现欲对7：45-8：00时段的OD进行校正，并且粗略地预测8：00-9：00的交通状态以及交通OD需求。
整个过程可以分为两个阶段：预热阶段和预测阶段。其中预热阶段针对过去的一个小时（7：00-8：00），预测阶段针对未来的一个小时（8：00-9：00）。
1）预热阶段和预测阶段均要读入初始OD数据以及交通信号配时方案做为交通仿真的基础数据，此外在预热阶段还需读入实时获取的路段流量、密度或速度的观测数据做为OD动态估计（ODME）的基础数据。
2）在预热阶段，前45分钟（7：00-7：45）可看作整个目标交通路网的流量预加载过程，使整个目标交通路网具备一定的交通底量，更加符合交通现实。之后的15分钟（7：45-8：00）做为关键校核时段，通过动态OD估计过程输出更加精准的校核后OD矩阵。
3）在预热阶段，经过中观层面的动态交通分配过程，可以得到目标交通路网的各项估计指标，如路径估计流量、路段估计流量、路段估计速度、路段估计密度、平均行驶时间等。
4）在预热阶段，比较路网状态的估计值与实际观测值的误差，如路段流量观测值和估计值的误差，进行动态OD估计过程，从而输出7：45~8：00经过校正后的OD矩阵。
5）对预测阶段8：00-9：00时段的OD进行粗略预测，预测方法为初始OD矩阵*调节参数a。其中调节参数a可由研究时段（7：45-8：00）的校正OD和初始OD比较得到。
6）对预测阶段8：00-9：00时段的调整后OD进行交通分配，从而能对预测阶段的路网交通状态（流量、密度、速度、行驶时间等）进行粗略的估计。
7）此外，在预测阶段，可通过对不同的交通信号配时方案进行仿真，得到不同的路网交通状态，进行比较可以对不同的信号配时方案进行比较评价，从而实现信号方案评估功能。
8）以上步骤为当前时段（8：00-8：15）时的交通仿真过程，随着时间推进，在进入下一个时间段（8：15-8：30）时，更新相应预热和预测阶段的时间段信息，并用校正后的OD矩阵去更新初始OD矩阵，接受新的检测数据和交通信号数据，重复以上过程。之后随时间不断进行连续多期的滚动更新，实现交通仿真的实时在线功能。
综上所述可知，本实施例提供的一种实时在线交通仿真方法，能够充分利用和挖掘多源数据的价值，生成更符合实际交通状况的OD路径集；并且，可以从路径流量调整的角度出发进行动态OD估计，调整路径流量使得交通仿真结果与交通实时检测数据一致，充分考虑了仿真数据的时效性，提升了动态OD估计的精准度。
本申请提供的一种实时在线交通仿真方法在多源大数据的环境下建立仿真路网并进行交通仿真，本申请以交通状态模拟与预测为核心技术，实现对现实交通系统“实时在线”的真实反映，同时本申请利用中观仿真以及并行计算等技术，能对大规模路网实现快速运算。该实时在线交通仿真方法所带来的其他有益效果还包含以下内容。
（1）交通由粗放式管理到精细化管理的转变：交通状态的评估从宏观层面向中微观层面转变，交通评估的依据可从原有的局部交通调查转换为依据区域路网模型仿真，能够有效地节约成本，并且实现更加精细、实时的交通管理；
（2）能有效降低政府的交通基础投资，转向“预防”的更高交通管理水平：对现状及交通预案进行动态交通仿真，根据国外发达城市的经验，在达到相同的目标条件下，建立中观仿真系统优化方案，可节省时间至少40%，节约投资达50%以上。
（3）有效地推动智能交通系统的建设与发展：为城市交通运行进行建模，把每辆运行的车辆进行建模跟踪，实现现实世界的数字化，为智能交通系统的搭建夯实基础。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为便于理解上一实施例在进行动态路径选择时采用的基于路网分层的路径集生成算法，下面通过另一个实施例对该基于路网分层的路径集生成算法进行详细的描述。如图9所示，采用该基于路网分层的路径集生成算法得到的一种基于分层路网的OD最优路径搜索方法，包括如下步骤：
801、确定目标OD在顶层路网上对应的顶层起点和顶层终点，所述顶层路网由预先根据历史出行轨迹数据从目标交通路网上提取得到的出行频率和/或道路等级高于设定值的路段组成，所述目标OD是指所述初始OD矩阵中的任意一对OD；
本申请中，顶层路网是以目标交通路网为底层路网为基础，从中提取出核心路段组合而成的，这些核心路段依据历史出行轨迹数据在出行频率高、道路等级高的路段中确定出来，可以认为，在顶层路网中的路径更加符合出行者的要求，有利于提升出行者的出行体验。具体地，所述顶层路网可以通过以下步骤预先生成：
S201、根据历史出行轨迹数据从目标交通路网上提取得到出行频率和/或道路等级高于设定值的路段，得到各个目标路段；
S202、在所述目标交通路网上对所述各个目标路段遍历并进行路网连通性分析，确定出使所述各个目标路段全局连通的各个辅助路段；
S203、组合所述各个目标路段和所述各个辅助路段，生成所述顶层路网。
对于步骤S201，可以理解的是，服务器可以根据历史出行轨迹数据从目标交通路网上提取得到出行频率和/或道路等级高于设定值的路段，得到各个目标路段。这里所说的历史出行轨迹数据可以为出行人员历史出行记录中的GPS轨迹数据。出行频率对应的设定值，以及道路等级对应的设定值可以根据实际情况具体设定，此处不做具体限定。
对于步骤S202，在得到各个目标路段之后，服务器还需要在所述目标交通路网上对所述各个目标路段遍历并进行路网连通性分析，从而确定出使所述各个目标路段全局连通的各个辅助路段，可知，这些辅助路段对于构建全局联通的顶层路网是必不可少的。
对于步骤S203，在得到所述各个目标路段和所述各个辅助路段，将这些路段组合，即可生成所述顶层路网。
本实施例中，服务器在对目标OD进行路段规划时，考虑到该目标OD是在目标交通路网上的节点，为了得知该目标OD在顶层路网上的位置，因此服务器可以先确定目标OD在顶层路网上对应的顶层起点和顶层终点。具体地，步骤801可以包括：
S301、分别确定所述目标OD的起点和终点在所述顶层路网上所属的交通小区，记为起点交通小区和终点交通小区，其中，所述顶层路网被预先划分为多个所述交通小区；
S302、在所述顶层路网上分别提取得到所述起点交通小区内的路网节点作为起点节点集合，以及所述终点交通小区内的路网节点作为终点节点集合；
S303、依据预设的距离判定函数对所述起点节点集合与所述终点节点集合之间的节点一一进行配对计算，得到各对节点对应的距离判定值；
S304、将所述距离判定值最小的一对节点确定为所述目标OD在顶层路网上对应的顶层起点和顶层终点。
对于步骤S301，该顶层路网被预先划分为多个所述交通小区，服务器在得到目标OD之后，可以先分别确定所述目标OD的起点和终点在所述顶层路网上所属的交通小区，记为起点交通小区和终点交通小区。
对于步骤S302，每个交通小区中均包括一个以上的节点，因此，可以将在所述顶层路网上提取得到所述起点交通小区内的路网节点确定为起点节点集合，将在所述顶层路网上分别提取得到所述终点交通小区内的路网节点确定为终点节点集合。
对于步骤S303，服务器将所述起点节点集合与所述终点节点集合之间的节点两两配对，即每对节点中一个节点来自于起点节点集合，另一个节点来自于终点节点集合。配对后，服务器依据预设的距离判定函数为每对节点计算距离判定值。其中，在一个具体应用场景喜爱，所述距离判定函数具体可以为：
其中，i为顶层起点节点集合中的路网节点，j为顶层终点节点集合中的路网节点，f 0 （O，i）为目标OD的起点到路网节点i的欧氏距离，f d （j，D）为路网节点j到目标OD的终点的欧氏距离，f * （i，j）为路网节点i和j在所述顶层路网上的最短路径距离，F（i，j）为路网节点i和j之间的距离判定值。
对于步骤S304，在得到各对节点对应的距离判定值之后，服务器可以将所述距离判定值最小的一对节点确定为所述目标OD在顶层路网上对应的顶层起点和顶层终点。
考虑到本申请的基于分层路网的OD最优路径搜索方法在中长距离的路径规划中更具优势，效果更佳明显，因此，在步骤801之前，可以先判定本次对目标OD的路径规划是否为中长距离的路径规划，从而决定是否执行后续步骤。进一步地，在步骤801之前，该基于分层路网的OD最优路径搜索方法还可以包括：
S401、判断是否所述目标OD位于同一个交通小区，或者所述目标OD的起点至终点的直线距离小于预设距离阈值，若是，则执行步骤S402，若否，则执行步骤801，其中，所述顶层路网被预先划分为多个所述交通小区；
S402、若所述目标OD位于同一个交通小区，或者所述目标OD的起点至终点的直线距离小于预设距离阈值，则在所述目标交通路网上确定出所述目标OD从起点至终点的最短路径，作为所述目标OD的最优路径。
对于上述步骤S401-S402，可以理解的是，服务器通过判断是否所述目标OD位于同一个交通小区，或者所述目标OD的起点至终点的直线距离小于预设距离阈值，来作为确定该目标OD是否为短距离OD，若是，则可以直接采用底层路网，也即该目标交通路网进行最短路径规划，确定出目标OD从起点至终点的最短路径，作为所述目标OD的最优路径；反之，若所述目标OD不位于同一个交通小区，且所述目标OD的起点至终点的直线距离不小于预设距离阈值，则可以认为该目标OD是中长距离OD，因此可以执行上述步骤801。
802、在所述顶层路网上确定出从所述顶层起点至所述顶层终点的最短路径，作为顶层路径段；
具体地，服务器可以在生成顶层路网后，预先采用Dijstra最短路径算法计算顶层路网中任意两节点之间的最短路径，并将计算得到的最短路径以数组的形式存储起来，比如，数组Distance[o][i] 用于存储节点o到任意节点i的距离，数组PreNode[o][i] 用于存储从节点o到任意节点i的路径，任意节点i的上一节点的编号（前置节点），通过不断循环回溯，可得到从节点o到任意节点的路径顺序序列。
需要说明的是，在计算最短路径过程中，由于Dijstra最短路径算法为单源最短路径算法，从单点出发，可以计算得到节点点到路网中其余所有节点的最短路径信息，不同单点之间的最短路径的计算过程不会相互影响。因此，在采用Dijstra最短路径算法计算时可以开启多线程同时计算多个单点，大大提高最短路径算法的运行速度。
对于步骤802，服务器可以直接调用预先存储的数组PreNode[o][i]，从而可以确定出该顶层路网上从所述顶层起点至所述顶层终点的最短路径，并将之确定为顶层路径段。
803、在所述目标交通路网上确定出从所述目标OD的起点至所述顶层起点的最短路径，作为起点路径段；
具体地，服务器可以采用Dijstra最短路径算法计算从所述目标OD的起点至所述顶层起点的最短路径，并将之记为起点路径段。
804、在所述目标交通路网上确定出从所述顶层终点至所述目标OD的终点的最短路径，作为终点路径段；
同理，具体地，服务器可以采用Dijstra最短路径算法计算从所述顶层终点至所述目标OD的终点的最短路径，并将之记为终点路径段。
805、依次拼接所述起点路径段、顶层路径段和终点路径段，得到所述目标OD的最优路径。
在得到起点路径段、顶层路径段和终点路径段之后，服务器可以依次拼接所述起点路径段、顶层路径段和终点路径段，得到所述目标OD的最优路径。需要说明的是，服务器还可以对该最优路径进行路径闭环检测，以避免出现重复闭环路径的情况，或者，服务器还可以对该最优路径进行路径优化，减少出现路径绕路的概率。
在路径规划中，为了让出行者有更多路径方案可供选择，通常服务器可以向出行者提供多条规划路径，这就需要筛选和确定出一个最优路径集。为此，本实施例中，在依次拼接所述起点路径段、顶层路径段和终点路径段，得到所述目标OD的最优路径之后，还可以包括：
S501、构建一个初始的合理路径集，并将所述最优路径放入所述合理路径集中；
S502、从最新合理路径的起点向终点遍历所有路径分支，搜索出与所述最新合理路径对应的所有候选路径，所述最新合理路径是指最近一条放入所述合理路径集中的路径；
S503、对与所述最新合理路径对应的所有候选路径进行路径闭环检测，将路径闭环检测通过的候选路径放入所述合理路径集；
S504、每将一条候选路径放入所述合理路径集时，分别计算所述一条候选路径与所述合理路径集中每条其它合理路径之间的重合率，并将计算得到的最大重合率确定为所述一条候选路径的重合率值；
S505、将所述合理路径集中重合率值低于预设重合阈值的合理路径放入所述目标OD的最优路径集中，返回再次执行所述从最新合理路径的起点向终点遍历所有路径分支，搜索出与所述最新合理路径对应的所有候选路径的步骤，直至所述最优路径集的路径数量达到预设数量要求，所述最优路径集包括所述目标OD的最优路径。
对于步骤S501，服务器可以构建一个初始的合理路径集，并将所述最优路径放入所述合理路径集中，此时，还可以设定一个参数count，用于为最优路径集中的路径数目进行计数。可知，该计数器count的初始值为1。
对于步骤S502，服务器从最新合理路径触发，从该路径的起点向路径的终点开始搜寻，当遇到具有多分支的路径节点时，首先判定该分支是否被遍历搜索过，若已经被遍历过，则寻找下一分支并再次进行判定；若该分支没有被遍历过，则从该分支出发，寻求到该路径的终点的新的路径，并将新得到的路径放入候选路径集中。通过对最新合理路径的起点到终点进行搜索，得到由该条当前合理路径所能产生的全部候选路径，从而形成新的候选路径集。其中，这里所说的最新合理路径是指最近一条放入所述合理路径集中的路径，也就是说，每当合理路径集中新加入一条路径，该最新合理路径同时发生更新。
对于步骤S503，为了避免候选路径中存在闭环路径，服务器可以对与所述最新合理路径对应的所有候选路径进行路径闭环检测，将路径闭环检测通过的候选路径放入所述合理路径集，而对于路径闭环检测不通过的候选路径，服务器可以将之删除。
具体地，步骤S503可以具体包括：
S601、按照路径长度从短到长依次对所述所有候选路径进行闭环检测；
S602、针对每条候选路径，若闭环检测发现所述每条候选路径中存在闭环路径，则确定所述每条候选路径的路径闭环检测不通过；
S603、针对每条候选路径，若闭环检测发现所述每条候选路径中不存在闭环路径，则确定所述每条候选路径的路径闭环检测通过。
对于上述步骤S601-S603，可以理解的是，服务器可以先将这些候选路径按照路径长度从短到长进行排列，然后依次进行路径闭环检测，若该条候选路径中存在闭环路径，那么该条候选路径不符合合理路径的条件，接着继续对下一条候选路径进行路径闭环检测；若该条候选路径中不存在闭环路径，那么该条候选路径符合合理路径的条件，将其放入合理路径集中。
对于步骤S504，每得到一条新的合理路径，也即每有一条候选路径放入所述合理路径集时，服务器可以将该条新的合理路径与合理路径集中的其余合理路径进行比较，从而得到该条合理路径的重合率Overlap_Ratio。本实施例中，重合率的计算方法可以是将当前合理路径与该合理路径集中每一条其它合理路径中的路段合集陆续进行比较，计算该条新的合理路径与每一条其它合理路径的重合比率，最终选取重合比率的最大值作为该条新的合理路径的重合率值。
对于步骤S505，可以理解的是，服务器可以预先设定一个重合阈值作为最高可接受的重复率数值（Given_Ratio）。服务器将计算得到的每条合理路径的重合率值与所述预设重合阈值进行比较，以判定该条合理路径能否达到重合率要求，若低于该预设重合阈值Given_Ratio，则该条合理路径满足前k条路径的条件，计数器count的数值将会加1，并将该条合理路径放入最优路径集中；若高于该预设重合阈值Given_Ratio，则该条合理路径不满足前k条路径的条件，继续重复上面的步骤进行路径的筛选。当计数器count的数值等于预定的k值时，至此，前k条最优路径搜寻完成，得到的最优路径集中包含有k条路径，特别地，k条路径之一为所述目标OD的最优路径。
本实施例中，首先，确定目标OD在顶层路网上对应的顶层起点和顶层终点，所述顶层路网由预先根据历史出行轨迹数据从目标交通路网上提取得到的出行频率和/或道路等级高于设定值的路段组成；然后，在所述顶层路网上确定出从所述顶层起点至所述顶层终点的最短路径，作为顶层路径段；接着，在所述目标交通路网上确定出从所述目标OD的起点至所述顶层起点的最短路径，作为起点路径段；在所述目标交通路网上确定出从所述顶层终点至所述目标OD的终点的最短路径，作为终点路径段；最后，依次拼接所述起点路径段、顶层路径段和终点路径段，得到所述目标OD的最优路径。可见，本申请提供的基于分层路网的OD最优路径搜索方法通过双层路网（顶层路网和目标交通路网）分别确定目标OD的最优路径，使得该最优路径由位于顶层路网的顶层路径段，以及位于目标交通路网的起点路径段、终点路径段组成，不仅兼顾了OD间路径的较短距离，而且更加符合出行者的实际出行习惯，能够给出行者带来更佳的出行体验。进一步地，在计算最优路径时，通过建立分层的数据库，同时进行不同层次内路径的计算和不同层次间路径的连接，大幅提升最短路径的计算和搜索速度。同时，基于目标OD间的最优路径，用户可以设置路径集中的路径数量和重复率，利用树分支的思想不断得到新的路径，最终得到路网的合理路径集。
在一实施例中，提供一种实时在线交通仿真系统，该实时在线交通仿真系统与上述实施例中实时在线交通仿真方法一一对应。如图10所示，该实时在线交通仿真系统包括检测数据采集模块901、初始矩阵获取模块902、动态路径决策模块903、中观交通流仿真模块904、精度计算模块905、动态OD估计模块906、短时交通状态预测模块907、中微观融合交通仿真模块908和实时在线模块909。各功能模块详细说明如下：
检测数据采集模块901，用于采集目标交通路网的交通实时检测数据；
初始矩阵获取模块902，用于获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵；
动态路径决策模块903，用于在所述目标交通路网上对所述初始OD矩阵中的各对OD分别进行动态路径分配，生成动态OD路径集，并根据用户均衡原则在所述动态OD路径集中进行动态路径选择，确定所述动态OD路径集中各条OD路径对应的路径流量；
中观交通流仿真模块904，用于根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载，刻画仿真区域内车辆的交通运动状态，得到所述目标交通路网的交通仿真结果；
精度计算模块905，用于将所述交通仿真结果与所述交通实时检测数据进行比较，计算出所述交通仿真结果的仿真精度；
动态OD估计模块906，用于若所述仿真精度不符合预设精度要求，则依据所述交通仿真结果与所述交通实时检测数据之间的差异进行动态OD估计，对所述目标交通路网的各条OD路径上的流量进行调整，并返回触发所述中观交通流仿真模块904；
短时交通状态预测模块907，用于若所述仿真精度符合预设精度要求，则根据所述交通仿真结果和所述交通实时检测数据进行短时交通预测，得到所述仿真区域内的交通状态预测结果；
中微观融合交通仿真模块908，用于在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行；
实时在线模块909，用于在所述目标交通路网上，重复调用所述检测数据采集模块、初始矩阵获取模块、动态路径决策模块、中观交通流仿真模块、精度计算模块、动态OD估计模块、短时交通状态预测模块和中微观融合交通仿真模块，以预设时间颗粒度为更新步长进行实时滚动更新。
进一步地，所述初始矩阵获取模块902可以包括：
出行流量数据获取单元，用于获取指定多源数据和所述仿真区域内的转向流量数据，所述指定多源数据至少包括表征车辆交通出行的手机信令数据和停车场出入数据；
全天OD矩阵分析单元，用于根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵；
矩阵细分单元，用于根据OD时变特征将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵，作为所述初始OD矩阵。
进一步地，所述中观交通流仿真模块904可以包括：
选择结果获取单元，用于获取所述各条OD路径的动态路径选择结果，得到所述各条OD路径对应的动态OD路径以及路径流量；
实时加载单元，用于将得到的动态OD路径以及路径流量实时加载到所述目标交通路网的仿真区域中；
仿真车辆生产单元，用于针对每条动态OD路径，从所述每条动态OD路径的起点所在的交通小区出发，根据所述每条动态OD路径对应的路径流量生成仿真车辆，所述仿真区域被预先划分为多个所述交通小区；
过程仿真单元，用于对所述仿真车辆从起点出发，按照所述仿真车辆对应的动态OD路径行驶至终点的过程进行仿真，并在所述仿真车辆达到终点时将所述仿真车辆从所述仿真区域内移除。
进一步地，所述中微观融合交通仿真模块908可以包括：
中微观区域划分单元，用于预先将所述目标交通路网的仿真区域划分为中观仿真区域和微观仿真区域，并对所述中观仿真区域和微观仿真区域的区域边界完成空间匹配，所述微观仿真区域的刻画精度高于所述中观仿真区域；
结果仿真运行单元，用于将所述交通仿真结果和所述交通状态预测结果以相同的仿真步长在所述中观仿真区域和微观仿真区域内仿真运行；
车辆进入仿真单元，用于在仿真运行过程中，当有仿真车辆从所述中观仿真区域进入微观仿真区域时，将所述仿真车辆的编号、进入时间以及行驶路径输入到所述微观仿真区域；
车辆返回仿真单元，用于在仿真运行过程中，当有仿真车辆从所述微观仿真区域返回中观仿真区域时，将所述仿真车辆的编号、离开时间以及微观路段的仿真状态输出到所述中观仿真区域。
进一步地，所述动态OD路径集中每条OD的路径可以通过以下模块得到：
起终点确定模块，用于确定目标OD在顶层路网上对应的顶层起点和顶层终点，所述顶层路网由预先根据历史出行轨迹数据从目标交通路网上提取得到的出行频率和/或道路等级高于设定值的路段组成；
顶层路径段确定模块，用于在所述顶层路网上确定出从所述顶层起点至所述顶层终点的最短路径，作为顶层路径段；
起点路径段确定模块，用于在所述目标交通路网上确定出从所述目标OD的起点至所述顶层起点的最短路径，作为起点路径段；
终点路径段确定模块，用于在所述目标交通路网上确定出从所述顶层终点至所述目标OD的终点的最短路径，作为终点路径段；
路径段拼接模块，用于依次拼接所述起点路径段、顶层路径段和终点路径段，得到所述目标OD的最优路径，作为所述目标OD在所述动态OD路径集中对应的OD路径。
进一步地，所述动态OD估计模块906可以包括：
路径数据获取单元，用于分别获取所述各条OD路径各自对应的交通实时检测数据和交通仿真结果，记为路径检测数据和路径仿真结果；
第一偏差计算单元，用于针对每条OD路径，计算所述每条OD路径的初始OD数据和现有OD数据的第一偏差值，其中，所述初始OD数据来自于初始OD矩阵，所述现有OD数据来自于所述每条OD路径的路径检测数据或路径仿真结果；
第二偏差计算单元，用于针对每条OD路径，计算所述每条OD路径上车辆的仿真旅行时间与实际旅行时间的第二偏差值，其中，所述仿真旅行时间来自于路径仿真结果，所述实际旅行时间来自于路径检测数据；
第三偏差计算单元，用于针对每条OD路径，根据所述每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值，其中，路径仿真值来自于路径仿真结果，所述路径检测值来自于路径检测数据，所述回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间，所述各个检测器设于所述目标交通路网上采集交通实时检测数据；
调节量确定单元，用于针对每条OD路径，根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量；
流量调节单元，用于针对每条OD路径，根据所述调节量调节所述每条OD路径的流量。
关于实时在线交通仿真系统的具体限定可以参见上文中对于实时在线交通仿真方法的限定，在此不再赘述。上述实时在线交通仿真系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
特别地，在一个具体应用场景中，上述实时在线交通仿真系统照基于物联网和云计算的架构，系统架构遵循开放共享、信息融合、协同控制的原则，由下往上可划分为四个层次：感知层、数据层、核心层和应用层，请参阅图11。
（1）感知层：以现有的路面卡口、地磁、线圈、电警、线圈检测、电子警察、车牌射频识别（RFID）等前端设备采集数据；浮动车GPS数据、地图导航数据、手机信令数据等交通动态数据；以及交通信号和交通事件等交通实时数据为基础，融合跨行业、跨领域数据，构建多源大数据的系统感知层。
（2）数据层：对感知层的多源异构大数据进行融合挖掘分析，获取实时交通检测数据、GIS路网数据、信号配时方案数据等不同数据，构成系统的数据层。
（3）核心层：系统以初始OD估计、动态OD估计、动态路径决策、中观交通仿真、人工智能预测、中微观仿真融合等技术为核心。
（4）应用层：系统在以上三层的基础上实现实时监测、动态交通预警、交通诱导、信号优化、非常态拥堵管控策略推荐的应用功能需求。
实时在线交通仿真系统可以建立从动态OD估计、动态路径决策、动态流量加载到短时交通流预测的实时在线交通仿真技术流程，实现了从“源”到“流”的交通状态的再现和推演，使得在线仿真平台成为可试验的“交通实验室”，以实验的方式为实际交通系统运行的可能情况提供“借鉴”、“预估”和“引导”，从而为实际复杂交通系统管理运作提供高效、可靠、适用的科学决策和指导。
由上述内容可知，本申请的实时在线交通仿真系统可以解决以下几个方面的问题：
（1）基于多源异构大数据的融合挖掘：实现了实时接收、统一存储多源的动态和静态交通数据，涉及GIS路网、手机信令数据、建筑普查数据、车牌识别数据、浮动车GPS轨迹数据、手机导航GPS数据、IC卡数据、停车场数据、交通断面检测数据等数据，形成仿真平台的基础大数据环境。在此基础上，通过对这些多源异构数据进行融合挖掘获得关键交通检测数据（流量、速度、密度）、构建时间细颗粒度的初始交通OD需求、生成动态路径合集、并实现通行能力、自由流速度和饱和流率等参数的本地化标定。
（2）大规模路网下中观交通仿真的快速运算：在兼顾交通仿真的刻画精细程度和实际运行效率的考虑下，采用了中观空间排队模型，精细刻画车辆在路段排队的前向或后向传播行为。同时，通过仿真并行技术处理，将仿真中的路段内部传输过程和节点转移过程独立开来，充分利用计算资源，提高各个环节的计算效率，降低整体路网的仿真计算时间。
（3）完全实时在线的精准交通仿真模拟与预测：通过接入实时的交通检测数据和交通信号数据，并采用可重复调用的交通数据读入算法，实现交通仿真随现实时间持续运行，实现完全连续的实时在线。同时，在进行动态OD估计时，基于交通实时检测数据、初始OD、用户均衡约束等多项因素，采用基于路径流量的调校方式，实现仿真模型对于路网现实状态的精准还原。此外，本系统采用基于长短时记忆（LSTM）方法进行精准的道路交通状态预测，从而满足对交通实时的管控要求；
（4）丰富的可拓展数据接口：可以提供多源、开放、可拓展的数据接入和结果输出接口，方便模型的校核更新、结果导出、可视化展示等，支持信号配时方案和实时信号的动态接入，在数据和计算条件允许的情况下可以进行实时在线仿真的拓展。该实时在线交通仿真系统还支持TransModeler、TransCAD、Vissim、SUMO等仿真软件的数据和文件与本系统的相互转换，包括路网、OD矩阵、路径、车辆、信号的数据。
在一个实施例中，提供了一种计算机设备，如图12所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中实时在线交通仿真方法的步骤，例如图2所示的步骤101至步骤108。或者，处理器执行计算机程序时实现上述实施例中实时在线交通仿真系统的各模块/单元的功能，例如图10所示模块901至模块909的功能。为避免重复，这里不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中实时在线交通仿真方法的步骤，例如图2所示的步骤101至步骤108。或者，计算机程序被处理器执行时实现上述实施例中实时在线交通仿真系统的各模块/单元的功能，例如图10所示模块901至模块909的功能。为避免重复，这里不再赘述。
需要说明的是，上述系统/装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种实时在线交通仿真系统，其特征在于，包括：
检测数据采集模块，用于采集目标交通路网的交通实时检测数据；
初始矩阵获取模块，用于获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵；
动态路径决策模块，用于在所述目标交通路网上对所述初始OD矩阵中的各对OD分别进行动态路径分配，生成动态OD路径集，并根据用户均衡原则在所述动态OD路径集中进行动态路径选择，确定所述动态OD路径集中各条OD路径对应的路径流量；
中观交通流仿真模块，用于根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载，刻画仿真区域内车辆的交通运动状态，得到所述目标交通路网的交通仿真结果；
精度计算模块，用于将所述交通仿真结果与所述交通实时检测数据进行比较，计算出所述交通仿真结果的仿真精度；
动态OD估计模块，用于若所述仿真精度不符合预设精度要求，则依据所述交通仿真结果与所述交通实时检测数据之间的差异进行动态OD估计，对所述目标交通路网的各条OD路径上的流量进行调整，并返回触发所述中观交通流仿真模块；
短时交通状态预测模块，用于若所述仿真精度符合预设精度要求，则根据所述交通仿真结果和所述交通实时检测数据进行短时交通预测，得到所述仿真区域内的交通状态预测结果；
中微观融合交通仿真模块，用于在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行；
实时在线模块，用于在所述目标交通路网上，重复调用所述检测数据采集模块、初始矩阵获取模块、动态路径决策模块、中观交通流仿真模块、精度计算模块、动态OD估计模块、短时交通状态预测模块和中微观融合交通仿真模块，以预设时间颗粒度为更新步长进行实时滚动更新；
所述中微观融合交通仿真模块包括：
中微观区域划分单元，用于预先将所述目标交通路网的仿真区域划分为中观仿真区域和微观仿真区域，并对所述中观仿真区域和微观仿真区域的区域边界完成空间匹配，所述微观仿真区域的刻画精度高于所述中观仿真区域；
结果仿真运行单元，用于将所述交通仿真结果和所述交通状态预测结果以相同的仿真步长在所述中观仿真区域和微观仿真区域内仿真运行；
车辆进入仿真单元，用于在仿真运行过程中，当有仿真车辆从所述中观仿真区域进入微观仿真区域时，将所述仿真车辆的编号、进入时间以及行驶路径输入到所述微观仿真区域；
车辆返回仿真单元，用于在仿真运行过程中，当有仿真车辆从所述微观仿真区域返回中观仿真区域时，将所述仿真车辆的编号、离开时间以及微观路段的仿真状态输出到所述中观仿真区域。
2.一种实时在线交通仿真方法，其特征在于，包括：
采集目标交通路网的交通实时检测数据；
获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵；
在所述目标交通路网上对所述初始OD矩阵中的各对OD分别进行动态路径分配，生成动态OD路径集，并根据用户均衡原则在所述动态OD路径集中进行动态路径选择，确定所述动态OD路径集中各条OD路径对应的路径流量；
根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载，刻画仿真区域内车辆的交通运动状态，得到所述目标交通路网的交通仿真结果；
将所述交通仿真结果与所述交通实时检测数据进行比较，计算出所述交通仿真结果的仿真精度；
若所述仿真精度不符合预设精度要求，则依据所述交通仿真结果与所述交通实时检测数据之间的差异进行动态OD估计，对所述目标交通路网的各条OD路径上的流量进行调整，并返回执行所述根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载的步骤；
若所述仿真精度符合预设精度要求，则根据所述交通仿真结果和所述交通实时检测数据进行短时交通预测，得到所述仿真区域内的交通状态预测结果；
在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行；
所述在所述目标交通路网上，将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行包括：
预先将所述目标交通路网的仿真区域划分为中观仿真区域和微观仿真区域，并对所述中观仿真区域和微观仿真区域的区域边界完成空间匹配，所述微观仿真区域的刻画精度高于所述中观仿真区域；
将所述交通仿真结果和所述交通状态预测结果以相同的仿真步长在所述中观仿真区域和微观仿真区域内仿真运行；
在仿真运行过程中，当有仿真车辆从所述中观仿真区域进入微观仿真区域时，将所述仿真车辆的编号、进入时间以及行驶路径输入到所述微观仿真区域；
在仿真运行过程中，当有仿真车辆从所述微观仿真区域返回中观仿真区域时，将所述仿真车辆的编号、离开时间以及微观路段的仿真状态输出到所述中观仿真区域。
3.如权利要求2所述的实时在线交通仿真方法，其特征在于，所述获取所述目标交通路网的仿真区域内的交通出行数据，得到初始OD矩阵包括：
获取指定多源数据和所述仿真区域内的转向流量数据，所述指定多源数据至少包括表征车辆交通出行的手机信令数据和停车场出入数据；
根据所述指定多源数据和转向流量数据分析得到所述仿真区域内全天种子OD矩阵；
根据OD时变特征将所述全天种子OD矩阵细分为预设时间颗粒度的OD矩阵，作为所述初始OD矩阵。
4.如权利要求2所述的实时在线交通仿真方法，其特征在于，所述根据所述各条OD路径对应的路径流量在所述目标交通路网的仿真区域内进行交通流量加载，刻画仿真区域内车辆的交通运动状态包括：
获取所述各条OD路径的动态路径选择结果，得到所述各条OD路径对应的动态OD路径以及路径流量；
将得到的动态OD路径以及路径流量实时加载到所述目标交通路网的仿真区域中；
针对每条动态OD路径，从所述每条动态OD路径的起点所在的交通小区出发，根据所述每条动态OD路径对应的路径流量生成仿真车辆，所述仿真区域被预先划分为多个所述交通小区；
对所述仿真车辆从起点出发，按照所述仿真车辆对应的动态OD路径行驶至终点的过程进行仿真，并在所述仿真车辆达到终点时将所述仿真车辆从所述仿真区域内移除。
5.如权利要求2所述的实时在线交通仿真方法，其特征在于，还包括：
在所述目标交通路网上，重复执行从所述采集目标交通路网的交通实时检测数据的步骤至所述将所述交通仿真结果和所述交通状态预测结果同时以两种以上刻画精度进行仿真运行的步骤的交通仿真过程，以预设时间颗粒度为更新步长进行实时滚动更新。
6.如权利要求2至5中任一项所述的实时在线交通仿真方法，其特征在于，所述动态OD路径集中每条OD路径通过以下步骤得到：
确定目标OD在顶层路网上对应的顶层起点和顶层终点，所述顶层路网由预先根据历史出行轨迹数据从目标交通路网上提取得到的出行频率和/或道路等级高于设定值的路段组成，所述目标OD是指所述初始OD矩阵中的任意一对OD；
在所述顶层路网上确定出从所述顶层起点至所述顶层终点的最短路径，作为顶层路径段；
在所述目标交通路网上确定出从所述目标OD的起点至所述顶层起点的最短路径，作为起点路径段；
在所述目标交通路网上确定出从所述顶层终点至所述目标OD的终点的最短路径，作为终点路径段；
依次拼接所述起点路径段、顶层路径段和终点路径段，得到所述目标OD的最优路径，作为所述目标OD在所述动态OD路径集中对应的OD路径。
7.如权利要求2至5中任一项所述的实时在线交通仿真方法，其特征在于，所述对所述目标交通路网的各条OD路径上的流量进行调整包括：
分别获取所述各条OD路径各自对应的交通实时检测数据和交通仿真结果，记为路径检测数据和路径仿真结果；
针对每条OD路径，计算所述每条OD路径的初始OD数据和现有OD数据的第一偏差值，其中，所述初始OD数据来自于初始OD矩阵，所述现有OD数据来自于所述每条OD路径的路径检测数据或路径仿真结果；
针对每条OD路径，计算所述每条OD路径上车辆的仿真旅行时间与实际旅行时间的第二偏差值，其中，所述仿真旅行时间来自于路径仿真结果，所述实际旅行时间来自于路径检测数据；
针对每条OD路径，根据所述每条OD路径的路径检测数据统计得到在回溯时间片内路径仿真值与路径检测值的第三偏差值，其中，路径仿真值来自于路径仿真结果，所述路径检测值来自于路径检测数据，所述回溯时间片是指仿真车辆在所述每条OD路径的回溯过程中经过各个检测器的时间，所述各个检测器设于所述目标交通路网上采集交通实时检测数据；
针对每条OD路径，根据所述第一偏差值、第二偏差值和第三偏差值确定所述每条OD路径的调节量；
针对每条OD路径，根据所述调节量调节所述每条OD路径的流量。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求2至7任一项所述的实时在线交通仿真方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求2至7任一项所述的实时在线交通仿真方法。
CN201911075208.9A 2019-11-06 2019-11-06 一种实时在线交通仿真系统及方法 Pending CN110570660A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075208.9A CN110570660A (zh) 2019-11-06 2019-11-06 一种实时在线交通仿真系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075208.9A CN110570660A (zh) 2019-11-06 2019-11-06 一种实时在线交通仿真系统及方法

Publications (1)

Publication Number Publication Date
CN110570660A true CN110570660A (zh) 2019-12-13

Family

ID=68786072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075208.9A Pending CN110570660A (zh) 2019-11-06 2019-11-06 一种实时在线交通仿真系统及方法

Country Status (1)

Country Link
CN (1) CN110570660A (zh)

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061165A (zh) * 2019-12-16 2020-04-24 青岛科技大学 一种船舶相对碰撞危险度模型的验证方法
CN111275965A (zh) * 2020-01-20 2020-06-12 交通运输部科学研究院 一种基于互联网大数据的实时交通仿真分析系统与方法
CN111443621A (zh) * 2020-06-16 2020-07-24 深圳市城市交通规划设计研究中心股份有限公司 一种模型生成方法、模型生成装置及电子设备
CN111625361A (zh) * 2020-05-26 2020-09-04 华东师范大学 一种基于云端服务器和IoT设备协同的联合学习框架
CN111680377A (zh) * 2020-06-11 2020-09-18 杭州海康威视数字技术股份有限公司 一种交通态势仿真方法、系统和电子设备
CN111881548A (zh) * 2020-06-16 2020-11-03 广东工业大学 一种智能交通的计算机仿真方法
CN111949703A (zh) * 2020-07-09 2020-11-17 广东工业大学 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统
CN112133116A (zh) * 2020-09-24 2020-12-25 江苏中路工程技术研究院有限公司 一种基于交通预测的车道管控系统及方法
CN112185124A (zh) * 2020-11-27 2021-01-05 深圳市城市交通规划设计研究中心股份有限公司 一种全路网交通状态预测方法及装置
CN112614349A (zh) * 2020-12-31 2021-04-06 郑州轻工业大学 一种基于大数据的交通状况预测方法及系统
CN112785842A (zh) * 2020-12-25 2021-05-11 际络科技(上海)有限公司 一种在线交通流仿真系统
CN112818497A (zh) * 2021-04-19 2021-05-18 腾讯科技（深圳）有限公司 交通仿真方法、装置、计算机设备和存储介质
CN112833884A (zh) * 2020-12-31 2021-05-25 郑州轻工业大学 一种基于大数据的导航方法及导航系统
CN112927513A (zh) * 2021-03-02 2021-06-08 深圳市城市交通规划设计研究中心股份有限公司 一种实时在线交通仿真方法及系统
CN113051695A (zh) * 2021-06-01 2021-06-29 华东交通大学 一种基于物联网通信的小区道路规则寻优方法
CN113099473A (zh) * 2020-01-08 2021-07-09 大唐高鸿信息通信研究院（义乌）有限公司 基于实时交通路况的车载短距离通信网的模拟测试方法
CN113191029A (zh) * 2021-06-30 2021-07-30 深圳坤湛科技有限公司 基于集群计算的交通仿真方法、程序及介质
CN113345227A (zh) * 2021-05-31 2021-09-03 上海涵润汽车电子有限公司 一种随机交通流生成方法及装置
CN113468293A (zh) * 2021-07-13 2021-10-01 沈阳航空航天大学 基于多关键字覆盖的路网Top-k路径查询方法
CN113536499A (zh) * 2021-07-12 2021-10-22 交通运输部规划研究院 一种港口集疏运规划仿真分析方法及系统
CN113947922A (zh) * 2021-09-23 2022-01-18 重庆理工大学 基于网络切分的路网精细化动态od流量估计方法
CN114004077A (zh) * 2021-10-28 2022-02-01 腾讯科技（深圳）有限公司 交通仿真转换方法、装置、计算机设备及存储介质
CN114037392A (zh) * 2021-12-08 2022-02-11 深圳市易流科技股份有限公司 基于车辆轨迹的智能调度距离矩阵生成方法和装置
CN114066001A (zh) * 2021-09-25 2022-02-18 苏州智能交通信息科技股份有限公司 基于出行本征的交通服务优化方法、系统、终端及介质
US20220136842A1 (en) * 2020-11-03 2022-05-05 Hyundai Motor Company Vehicle route guidance device based on predicting deviation from route
CN114519932A (zh) * 2022-01-10 2022-05-20 中国科学院深圳先进技术研究院 一种基于时空关系抽取的区域交通状况集成预测方法
CN114627650A (zh) * 2022-05-11 2022-06-14 深圳市城市交通规划设计研究中心股份有限公司 城市公交优先仿真推演系统、方法、电子设备及存储介质
CN114937366A (zh) * 2022-07-22 2022-08-23 深圳市城市交通规划设计研究中心股份有限公司 一种基于多尺度交通需求与供给转化的交通流推算方法
CN115049167A (zh) * 2022-08-16 2022-09-13 北京市城市规划设计研究院 交通态势预测方法、装置、设备及存储介质
CN115080638A (zh) * 2022-07-20 2022-09-20 深圳市城市交通规划设计研究中心股份有限公司 微观仿真的多源数据融合分析方法、电子设备及存储介质
CN115240431A (zh) * 2022-09-20 2022-10-25 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN115310278A (zh) * 2022-07-28 2022-11-08 东南大学 一种大规模路网在线微观交通的仿真方法及其验证方法
CN115359664A (zh) * 2022-10-21 2022-11-18 深圳市城市交通规划设计研究中心股份有限公司 一种立体复合高速公路的交通仿真方法及装置
CN115481531A (zh) * 2022-09-06 2022-12-16 苏州大学 基于sumo的路网交通流实时孪生方法及系统
CN115995147A (zh) * 2022-11-16 2023-04-21 电子科技大学 一种实现高精度路径规划算法的仿真引擎系统
CN116229727A (zh) * 2023-05-10 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种基于在线仿真的道路拥堵诱导方法及管控系统
CN116311922A (zh) * 2023-02-28 2023-06-23 江苏长天智远数字智能科技有限公司 一种基于元胞自动机的交通运行态势预测方法以及系统
CN117172036A (zh) * 2023-11-02 2023-12-05 腾讯科技（深圳）有限公司 一种道路交通的仿真方法以及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308616A (zh) * 2007-06-15 2008-11-19 成都合纵连横数字科技有限公司 交互式交通仿真系统
CN103116608A (zh) * 2013-01-18 2013-05-22 同济大学 一种快速路交通流再现的方法
CN103412975A (zh) * 2013-07-11 2013-11-27 吴建平 动态交通仿真平台及其仿真方法
US20150066447A1 (en) * 2013-08-27 2015-03-05 Halliburton Energy Services, Inc. Generating a flow model grid based on truncation error threshold values
US20150073688A1 (en) * 2013-09-09 2015-03-12 International Business Machines Corporation Traffic Impact Prediction for Multiple Event Planning
CN105160878A (zh) * 2015-09-02 2015-12-16 深圳市城市交通规划设计研究中心有限公司 交通影响评估系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308616A (zh) * 2007-06-15 2008-11-19 成都合纵连横数字科技有限公司 交互式交通仿真系统
CN103116608A (zh) * 2013-01-18 2013-05-22 同济大学 一种快速路交通流再现的方法
CN103412975A (zh) * 2013-07-11 2013-11-27 吴建平 动态交通仿真平台及其仿真方法
US20150066447A1 (en) * 2013-08-27 2015-03-05 Halliburton Energy Services, Inc. Generating a flow model grid based on truncation error threshold values
US20150073688A1 (en) * 2013-09-09 2015-03-12 International Business Machines Corporation Traffic Impact Prediction for Multiple Event Planning
CN105160878A (zh) * 2015-09-02 2015-12-16 深圳市城市交通规划设计研究中心有限公司 交通影响评估系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张峰飞: "基于浮动车的交通信息服务系统关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
陈振武 等: "城市道路交通实时在线仿真平台优化与提升", 《交通与运输》 *

Cited By (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061165A (zh) * 2019-12-16 2020-04-24 青岛科技大学 一种船舶相对碰撞危险度模型的验证方法
CN113099473B (zh) * 2020-01-08 2024-05-03 大唐高鸿智联科技(重庆)有限公司 基于实时交通路况的车载短距离通信网的模拟测试方法
CN113099473A (zh) * 2020-01-08 2021-07-09 大唐高鸿信息通信研究院（义乌）有限公司 基于实时交通路况的车载短距离通信网的模拟测试方法
CN111275965A (zh) * 2020-01-20 2020-06-12 交通运输部科学研究院 一种基于互联网大数据的实时交通仿真分析系统与方法
CN111625361B (zh) * 2020-05-26 2022-11-01 华东师范大学 一种基于云端服务器和IoT设备协同的联合学习框架
CN111625361A (zh) * 2020-05-26 2020-09-04 华东师范大学 一种基于云端服务器和IoT设备协同的联合学习框架
CN111680377A (zh) * 2020-06-11 2020-09-18 杭州海康威视数字技术股份有限公司 一种交通态势仿真方法、系统和电子设备
CN111680377B (zh) * 2020-06-11 2024-02-09 杭州海康威视数字技术股份有限公司 一种交通态势仿真方法、系统和电子设备
CN111443621B (zh) * 2020-06-16 2020-10-27 深圳市城市交通规划设计研究中心股份有限公司 一种模型生成方法、模型生成装置及电子设备
CN111881548A (zh) * 2020-06-16 2020-11-03 广东工业大学 一种智能交通的计算机仿真方法
CN111443621A (zh) * 2020-06-16 2020-07-24 深圳市城市交通规划设计研究中心股份有限公司 一种模型生成方法、模型生成装置及电子设备
CN111949703B (zh) * 2020-07-09 2023-06-06 广东工业大学 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统
CN111949703A (zh) * 2020-07-09 2020-11-17 广东工业大学 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统
CN112133116A (zh) * 2020-09-24 2020-12-25 江苏中路工程技术研究院有限公司 一种基于交通预测的车道管控系统及方法
US20220136842A1 (en) * 2020-11-03 2022-05-05 Hyundai Motor Company Vehicle route guidance device based on predicting deviation from route
CN112185124A (zh) * 2020-11-27 2021-01-05 深圳市城市交通规划设计研究中心股份有限公司 一种全路网交通状态预测方法及装置
CN112785842A (zh) * 2020-12-25 2021-05-11 际络科技(上海)有限公司 一种在线交通流仿真系统
CN112785842B (zh) * 2020-12-25 2022-04-12 际络科技(上海)有限公司 一种在线交通流仿真系统
CN112833884A (zh) * 2020-12-31 2021-05-25 郑州轻工业大学 一种基于大数据的导航方法及导航系统
CN112614349B (zh) * 2020-12-31 2021-09-03 郑州轻工业大学 一种基于大数据的交通状况预测方法及系统
CN112614349A (zh) * 2020-12-31 2021-04-06 郑州轻工业大学 一种基于大数据的交通状况预测方法及系统
CN112833884B (zh) * 2020-12-31 2021-09-28 郑州轻工业大学 一种基于大数据的导航方法及导航系统
CN112927513A (zh) * 2021-03-02 2021-06-08 深圳市城市交通规划设计研究中心股份有限公司 一种实时在线交通仿真方法及系统
CN112818497B (zh) * 2021-04-19 2021-06-29 腾讯科技（深圳）有限公司 交通仿真方法、装置、计算机设备和存储介质
CN112818497A (zh) * 2021-04-19 2021-05-18 腾讯科技（深圳）有限公司 交通仿真方法、装置、计算机设备和存储介质
WO2022222632A1 (zh) * 2021-04-19 2022-10-27 腾讯科技（深圳）有限公司 交通仿真方法、装置、计算机设备和存储介质
CN113345227A (zh) * 2021-05-31 2021-09-03 上海涵润汽车电子有限公司 一种随机交通流生成方法及装置
CN113345227B (zh) * 2021-05-31 2022-09-20 上海涵润汽车电子有限公司 一种随机交通流生成方法及装置
CN113051695A (zh) * 2021-06-01 2021-06-29 华东交通大学 一种基于物联网通信的小区道路规则寻优方法
CN113191029B (zh) * 2021-06-30 2022-02-11 深圳坤湛科技有限公司 基于集群计算的交通仿真方法、程序及介质
CN113191029A (zh) * 2021-06-30 2021-07-30 深圳坤湛科技有限公司 基于集群计算的交通仿真方法、程序及介质
CN113536499B (zh) * 2021-07-12 2022-06-03 交通运输部规划研究院 一种港口集疏运规划仿真分析方法及系统
CN113536499A (zh) * 2021-07-12 2021-10-22 交通运输部规划研究院 一种港口集疏运规划仿真分析方法及系统
CN113468293A (zh) * 2021-07-13 2021-10-01 沈阳航空航天大学 基于多关键字覆盖的路网Top-k路径查询方法
CN113468293B (zh) * 2021-07-13 2023-06-13 沈阳航空航天大学 基于多关键字覆盖的路网Top-k路径查询方法
CN113947922A (zh) * 2021-09-23 2022-01-18 重庆理工大学 基于网络切分的路网精细化动态od流量估计方法
CN114066001B (zh) * 2021-09-25 2024-03-19 苏州智能交通信息科技股份有限公司 基于出行本征的交通服务优化方法、系统、终端及介质
CN114066001A (zh) * 2021-09-25 2022-02-18 苏州智能交通信息科技股份有限公司 基于出行本征的交通服务优化方法、系统、终端及介质
WO2023071564A1 (zh) * 2021-10-28 2023-05-04 腾讯科技（深圳）有限公司 交通仿真转换方法、装置、计算机设备及存储介质
CN114004077A (zh) * 2021-10-28 2022-02-01 腾讯科技（深圳）有限公司 交通仿真转换方法、装置、计算机设备及存储介质
CN114037392A (zh) * 2021-12-08 2022-02-11 深圳市易流科技股份有限公司 基于车辆轨迹的智能调度距离矩阵生成方法和装置
CN114519932A (zh) * 2022-01-10 2022-05-20 中国科学院深圳先进技术研究院 一种基于时空关系抽取的区域交通状况集成预测方法
CN114627650A (zh) * 2022-05-11 2022-06-14 深圳市城市交通规划设计研究中心股份有限公司 城市公交优先仿真推演系统、方法、电子设备及存储介质
CN114627650B (zh) * 2022-05-11 2022-08-23 深圳市城市交通规划设计研究中心股份有限公司 城市公交优先仿真推演系统、方法、电子设备及存储介质
CN115080638A (zh) * 2022-07-20 2022-09-20 深圳市城市交通规划设计研究中心股份有限公司 微观仿真的多源数据融合分析方法、电子设备及存储介质
CN114937366B (zh) * 2022-07-22 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 一种基于多尺度交通需求与供给转化的交通流推算方法
CN114937366A (zh) * 2022-07-22 2022-08-23 深圳市城市交通规划设计研究中心股份有限公司 一种基于多尺度交通需求与供给转化的交通流推算方法
CN115310278B (zh) * 2022-07-28 2024-06-11 东南大学 一种大规模路网在线微观交通的仿真方法及其验证方法
CN115310278A (zh) * 2022-07-28 2022-11-08 东南大学 一种大规模路网在线微观交通的仿真方法及其验证方法
CN115049167A (zh) * 2022-08-16 2022-09-13 北京市城市规划设计研究院 交通态势预测方法、装置、设备及存储介质
CN115481531A (zh) * 2022-09-06 2022-12-16 苏州大学 基于sumo的路网交通流实时孪生方法及系统
CN115240431A (zh) * 2022-09-20 2022-10-25 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN115240431B (zh) * 2022-09-20 2023-02-10 深圳市城市交通规划设计研究中心股份有限公司 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN115359664A (zh) * 2022-10-21 2022-11-18 深圳市城市交通规划设计研究中心股份有限公司 一种立体复合高速公路的交通仿真方法及装置
CN115995147B (zh) * 2022-11-16 2023-10-20 电子科技大学 一种实现高精度路径规划算法的仿真引擎系统
CN115995147A (zh) * 2022-11-16 2023-04-21 电子科技大学 一种实现高精度路径规划算法的仿真引擎系统
CN116311922A (zh) * 2023-02-28 2023-06-23 江苏长天智远数字智能科技有限公司 一种基于元胞自动机的交通运行态势预测方法以及系统
CN116311922B (zh) * 2023-02-28 2024-03-01 江苏长天智远数字智能科技有限公司 一种基于元胞自动机的交通运行态势预测方法以及系统
CN116229727A (zh) * 2023-05-10 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种基于在线仿真的道路拥堵诱导方法及管控系统
CN117172036A (zh) * 2023-11-02 2023-12-05 腾讯科技（深圳）有限公司 一种道路交通的仿真方法以及相关装置
CN117172036B (zh) * 2023-11-02 2024-02-27 腾讯科技（深圳）有限公司 一种道路交通的仿真方法以及相关装置

Similar Documents

Publication Publication Date Title
CN110570660A (zh) 一种实时在线交通仿真系统及方法
CN112818497B (zh) 交通仿真方法、装置、计算机设备和存储介质
CN110816549B (zh) 能源管理装置、模型管理方法以及计算机程序
CN103557870B (zh) 一种动态轨迹导航方法及云平台
Tang et al. Estimating the most likely space–time paths, dwell times and path uncertainties from vehicle trajectory data: A time geographic method
Chen et al. The α-reliable path problem in stochastic road networks with link correlations: A moment-matching-based path finding algorithm
US8706459B2 (en) Traffic sensor management
CN110111574B (zh) 一种基于流量树分析的城市交通不平衡评价方法
CN112927513B (zh) 一种实时在线交通仿真方法及系统
CN111027743B (zh) 基于分层路网的od最优路径搜索方法及装置
CN102147260A (zh) 电子地图匹配方法和装置
Wismans et al. Real time traffic models, decision support for traffic management
WO2014203391A1 (ja) 交通行動推定システム、交通システム
CN116597649B (zh) 一种基于高速公路收费系统的路网交通流量推演方法
US11537767B2 (en) Automated control through a traffic model
CN102842218A (zh) 拥塞预测装置、拥塞预测数据及拥塞预测方法
Ben-Akiva et al. DTA2012 Symposium: combining disaggregate route choice estimation with aggregate calibration of a dynamic traffic assignment model
Cai et al. A novel vector-based dynamic path planning method in urban road network
CN118094382A (zh) 一种民用机场进港航空器滑入机坪道口预测方法及系统
JP6709715B2 (ja) 移動開始終了情報に基づき通行量を推定する装置、プログラム及び方法
Blazquez et al. An instance-specific parameter tuning approach using fuzzy logic for a post-processing topological map-matching algorithm
CN112183871A (zh) 基于空气指数的城市交通诱导系统
US20240328803A1 (en) Methods and Systems for Determining Estimated Travel Times Through a Navigable Network
KR102302486B1 (ko) 도시 도로의 운행 속도 처리 방법, 도시 도로의 운행 속도 처리 장치, 기기 및 비휘발성 컴퓨터 저장 매체
Wang et al. Influential spatial facility prediction over large scale cyber-physical vehicles in smart city

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213

RJ01 Rejection of invention patent application after publication