CN110634289A - 一种基于电警数据的城市道路交通最优路径在线规划方法 - Google Patents

一种基于电警数据的城市道路交通最优路径在线规划方法 Download PDF

Info

Publication number
CN110634289A
CN110634289A CN201910830073.6A CN201910830073A CN110634289A CN 110634289 A CN110634289 A CN 110634289A CN 201910830073 A CN201910830073 A CN 201910830073A CN 110634289 A CN110634289 A CN 110634289A
Authority
CN
China
Prior art keywords
intersection
optimal
travel time
road section
lane
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
Application number
CN201910830073.6A
Other languages
English (en)
Other versions
CN110634289B (zh
Inventor
徐腾飞
徐伟敏
费赛男
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.)
NANJING LOPU CO Ltd
Original Assignee
NANJING LOPU 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 NANJING LOPU CO Ltd filed Critical NANJING LOPU CO Ltd
Priority to CN201910830073.6A priority Critical patent/CN110634289B/zh
Publication of CN110634289A publication Critical patent/CN110634289A/zh
Application granted granted Critical
Publication of CN110634289B publication Critical patent/CN110634289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于电警数据的城市道路交通最优路径在线规划方法，属于智能交通技术领域，包括对路网基础信息进行标定；利用各路口的过车时间与车牌号码信息，通过上下游路口间的过车车牌匹配和时间差计算，得到路口各进口道每个车辆的路段旅行时间；构建类K_means聚类模型，得到路口各进口道每个转向的平均路段旅行时间；构建最优路径规划模型，自动搜索生成起止点的最优三条路径，并通过VISSIM仿真验证其有效性，解决了利用城市道路路口的电警数据，完成城市道路交通动态最优路径规划的技术问题，本发明实现了已有资源的充分利用、避免了重复建设，同时降低了对互联网浮动车数据的依赖。

Description

一种基于电警数据的城市道路交通最优路径在线规划方法
技术领域
本发明属于智能交通技术领域，尤其涉及一种基于电警数据的城市道路交通最优路径在线规划方法。
背景技术
随着经济的快速发展，城市规模的不断扩大，汽车保有量的持续增长，交通问题日趋严重，不管是交通参与者的出行规划，还是交通管理者的交通诱导，均要依赖于实时交通路况信息。目前，交通参与者可以通过互联网手段提前了解实时交通路况，其依靠的是浮动车数据，而浮动车数据存在稀疏性等问题，容易造成误差。交通管理部门之前关注的重点一直是路口，传统视频、地磁、微波等检测器都只适用于路口交通流信息采集，对路段交通状态感知没有太多有效手段，当前主要与互联网公司进行合作，通过接入高德等浮动车数据获知城市各路段交通拥堵状态，增加了投入成本。
目前，面向城市道路交通的路径规划方法有很多，但是大多是基于条件假设或基于已有互联网浮动车数据的理论研究，缺乏对电警数据的分析挖掘利用。
发明内容
本发明的目的是提供一种基于电警数据的城市道路交通最优路径在线规划方法，解决了利用城市道路路口的电警数据，完成城市道路交通动态最优路径规划的技术问题。
为实现上述目的，本发明采用如下技术方案：
一种基于电警数据的城市道路交通最优路径在线规划方法，包括如下步骤：
步骤1：对路网基础信息进行标定，路网基础信息包括路口车道信息、路段信息和电警卡口编号信息；
步骤2：通过上下游路口间的过车车牌匹配，计算同一辆车经过上下游路口的时间差，得到路口各进口道每个转向车辆在该路段的旅行时间；
步骤3：构建类K_means聚类模型，依据路口各进口道的转向类别，分别对各转向车辆的路段旅行时间进行聚类分析，并将最多样本类的算术平均值作为各转向的平均路段旅行时间；
类K_means聚类模型的初始类质心由以下公式确定：
Ck＝Valuemin+val×(2×(k+1)·1)/(2×NC)；
其中Value min是样本集中的最小值，val是样本集中最大值与最小值之差，NC是样本的个数，k∈[0,NC-1]；
步骤4：构建最优路径规划模型，设定OD为路口起止点，当前OD的最优路径搜索模型由以下最优路径搜索公式确定：
if TOD＞TOK+TKD
TOD＝TOK+TKD
Ppoint{O,D}＝[Ppoint{O,K}K Ppoint{K,D}]
end；
其中，TOD，Ppoint{O,D}分别为OD最短旅行时间及其对应路径的路口节点集，K为中转路口节点；
最优路径搜索公式采用“路口—路口—时间”数据结构，初始时非相邻路口间的路段旅行时间用inf表示，inf取值为无穷，若O→K→D的旅行时间小于当前OD旅行时间，则更新当前OD最短旅行时间，并记录中转点K，进入下一次循；
步骤5：搜索当前OD最优三条路径，其步骤如下：
步骤S1：设定
Figure BDA0002190375060000021
和
Figure BDA0002190375060000022
均为k×k矩阵，k为路口数目，
Figure BDA0002190375060000023
分别存储OD的三条最优路径的旅行时间，设定
Figure BDA0002190375060000024
和
Figure BDA0002190375060000025
分别存储三条最优路径的路口节点；
步骤S2：在初始时刻
Figure BDA0002190375060000026
存储当前所有相邻路口间的路段旅行时间，非相邻路口间的旅行时间为inf，
Figure BDA0002190375060000027
所有值均为inf；
步骤S3：以路口K为中转点，列出节点O→K→D的所有组合形式，即
Figure BDA0002190375060000031
并对这些组合进行排序，记为Tsort[i]；
记录每一种组合对应的路口节点；
步骤S4：如果Tsort[1]小于
Figure BDA0002190375060000032
则Tsort[1]为最优结果，并执行步骤S5；否则
Figure BDA0002190375060000033
为最优结果，并执行步骤S6；
步骤S5：将最小值作为第二最优结果；
判断，如果为最小，则将
Figure BDA0002190375060000036
最小值作为第三最优结果；
否则，如果Tsort[2]为最小，则将
Figure BDA0002190375060000037
最小值作为第三最优结果，并执行步骤S9；
步骤S6：如果Tsort[1]小于
Figure BDA0002190375060000038
则Tsort[1]为第二最优结果，并执行步骤S7；否则
Figure BDA0002190375060000039
为第二最优结果，并执行步骤S8；
步骤S7：将
Figure BDA00021903750600000310
最小值作为第三最优结果，并执行步骤S9；
步骤S8：如果Tsort[1]小于
Figure BDA00021903750600000311
则Tsort[1]为第三最优结果，否则
Figure BDA00021903750600000312
为第三最优结果；
步骤S9：遍历所有路口k，记录每一种最优结果对应的路口节点，重复执行步骤S3到步骤S8，并通过VISSIM仿真验证其有效性。
优选的，所述网基础信息具体包括路口—路段、路段—车道、车道—驶入车道、路口—路口—距离、路口—路口—时间、路口—路口—编号数据结构，其中，路口—路段的数据结构用于标定一个路口所连路段编号；路段—车道数据的结构用于标定一条路段所包含转向车道编号；车道—驶入车道的数据结构用于标定一个转向车道所含上游驶入车道编号；路口—路口—距离的数据结构用于标定路口间的路段距离；路口—路口—编号的数据结构用于标定路口间的路段编号，路口—路口—时间的数据结构用于标定路口间的路段旅行时间。
优选的，在执行步骤2时，通过以下公式计算路口各进口道每个转向车辆的路段旅行时间：
ΔTcar＝Tlocar-Tupcar；
其中Tlocar为车辆经过本地路口的过车时间，Tupcar是车辆经过上游路口的过车时间。
本发明所述的一种基于电警数据的城市道路交通最优路径在线规划方法，解决了利用城市道路路口的电警数据，对城市道路旅行时间进行在线分析，实现动态路径规划的技术问题，本发明为城市的交通诱导和出行服务提供了一个新的解决思路，实现了已有资源的充分利用、避免了重复建设，同时降低了对互联网浮动车数据的依赖，节约了投入成本。
附图说明
图1是OD发车量配置文件内容示意图；
图2是路口电警摄像头检测区域示意图；
图3是路段平均旅行时间计算逻辑示意图；
图4是基于VISSIM的路网仿真效果示意图；
图5是起止点最优三条路径在线仿真结果示意图。
具体实施方式
如图1-图5所示的一种基于电警数据的城市道路交通最优路径在线规划方法，包括如下步骤：
如图3所示，本实施例所述的路网是指基于VISSIM的仿真路网。此路网共包含21个节点，其中12个OD节点(起止点)，编号分别为1到12。其中，用OD矩阵表示O与D之间的发车辆，存储于.fma文件。
本实施例所述的路网数据结构是对路网各元素(路段、车道、检测器)进行标定，便于算法搜索查询。其中，“路口—路段”数据结构用于标定一个路口所连路段编号；“路段—车道”数据结构用于标定一条路段所包含转向车道编号；“车道—驶入车道”数据结构用于标定一个转向车道所含上游驶入车道编号；“路口—路口—距离”数据结构用于标定路口间的路段距离；“路口—路口—编号”数据结构用于标定路口间的路段编号，“路口—路口—时间”数据结构用于标定路口间的路段旅行时间。
步骤1：对路网基础信息进行标定，路网基础信息包括路口车道信息、路段信息和电警卡口编号信息；
如图1所示，其中，采集区域为停车线前，即车辆驶离区域，采集的数据包括：车牌号码和过车时间。在VISSIM仿真中用具备唯一性的车辆编号作为车牌号码，用进入时间作为过车时间。
图1中是一个OD发车量配置矩阵，1—12表示12个路口编号。路口编号下面的12*12矩阵就是OD发车辆配置矩阵。矩阵里面的每个数字表示：一个路口计划到另一个路口的发车量，5就表示有五辆车，本路口到本路口自然是0。Vissim软件就是依据这个配置跑车的。
步骤2：通过上下游路口间的过车车牌匹配，计算同一辆车经过上下游路口的时间差，得到路口各进口道每个转向车辆在该路段的旅行时间；
如图2所示，本实施例所述的上下游路口是指路口1与路口2的位置关系，路段驶入车辆是指来车方向1、来车方向2、来车方向3的车辆。
本实施例所述的路段平均旅行时间计算流程，如图3所示。首先通过上下游车牌匹配，计算同一辆车经过上下游路口的时间差，得到各车辆的路段旅行时间；其次，构建类K_means聚类模型，计算进口道各转向路段平均行驶时间。
步骤3：构建类K_means聚类模型，依据路口各进口道的转向类别，分别对各转向车辆的路段旅行时间进行聚类分析，并将最多样本类的算术平均值作为各转向的平均路段旅行时间；
如图3所示为本实施例所述的路段平均旅行时间计算流程。
类K_means聚类模型的初始类质心由以下公式确定：
Ck＝Valuemin+val×(2×(k+1)-1)/(2×Nc)；
其中Value min是样本集中的最小值，val是样本集中最大值与最小值之差，NC是样本的个数，k∈[0,NC-1]；
步骤4：构建最优路径规划模型，设定路口OD为路口起止点，当前OD的最优路径搜索模型由以下最优路径搜索公式确定：
if TOD＞TOK+TKD
TOD＝TOK+TKD
Ppoint{O,D}＝[Ppoint{O,K}K Ppoint{K,D}]
end；
其中，TOD，Ppoint{O,D}分别为OD的最短旅行时间及其对应路径的路口节点集，K为中转路口节点；
最优路径搜索公式采用“路口—路口—时间”数据结构，初始时非相邻路口间的路段旅行时间用inf表示，inf取值为无穷，若O→K→D的旅行时间小于当前OD旅行时间，则更新当前OD最短旅行时间，并记录中转点K，进入下一次循；
步骤5：搜索当前OD最优三条路径，其步骤如下：
步骤S1：设定
Figure BDA0002190375060000061
和
Figure BDA0002190375060000062
均为k×k矩阵，k为路口数目，
Figure BDA0002190375060000063
分别存储OD的三条最优路径的旅行时间，设定
Figure BDA0002190375060000064
和
Figure BDA0002190375060000065
分别存储三条最优路径的路口节点；
步骤S2：在初始时刻
Figure BDA0002190375060000066
存储当前所有相邻路口间的路段旅行时间，非相邻路口间的旅行时间为inf，所有值均为inf；
步骤S3：以路口K为中转点，列出节点O→K→D的所有组合形式，即
Figure BDA0002190375060000071
并对这些组合进行排序，记为Tsort[i]；
步骤S4：如果Tsort[1]小于
Figure BDA0002190375060000072
则Tsort[1]为最优结果，并执行步骤S5；否则
Figure BDA0002190375060000073
为最优结果，并执行步骤S6；
步骤S5：将
Figure BDA0002190375060000074
最小值作为第二最优结果；
判断，如果
Figure BDA0002190375060000075
为最小，则将最小值作为第三最优结果；
否则，如果Tsort[2]为最小，则将
Figure BDA0002190375060000077
最小值作为第三最优结果，并执行步骤S9；
步骤S6：如果Tsort[1]小于
Figure BDA0002190375060000078
则Tsort[1]为第二最优结果，并执行步骤S7；否则
Figure BDA0002190375060000079
为第二最优结果，并执行步骤S8；
步骤S7：将
Figure BDA00021903750600000710
最小值作为第三最优结果，并执行步骤S9；
步骤S8：如果Tsort[1]小于
Figure BDA00021903750600000711
则Tsort[1]为第三最优结果，否则
Figure BDA00021903750600000712
为第三最优结果；
步骤S9：遍历所有路口k，记录每一种最优结果对应的路口节点，重复执行步骤S3到步骤S8，并通过VISSIM仿真验证其有效性。
本实施例所述最优三条路径，规划结果如图5所示，具体为15号路口到21号路口的三条最短旅行时间路径，其中绿色箭头表示最短旅行时间路径，深红箭头为第二短旅行时间路径，黑色箭头为第三短旅行时间路径。
优选的，所述网基础信息具体包括路口—路段、路段—车道、车道—驶入车道、路口—路口—距离、路口—路口—时间、路口—路口—编号数据结构，其中，路口—路段的数据结构用于标定一个路口所连路段编号；路段—车道数据的结构用于标定一条路段所包含转向车道编号；车道—驶入车道的数据结构用于标定一个转向车道所含上游驶入车道编号；路口—路口—距离的数据结构用于标定路口间的路段距离；路口—路口—编号的数据结构用于标定路口间的路段编号，路口—路口—时间的数据结构用于标定路口间的路段旅行时间。
优选的，在执行步骤2时，通过以下公式计算路口各进口道每个转向车辆的路段旅行时间：
ΔTcar＝Tlocar-Tupcar；
其中Tlocar为车辆经过本地路口的过车时间，Tupcar是车辆经过上游路口的过车时间。
本发明所述的一种基于电警数据的城市道路交通最优路径在线规划方法，解决了利用城市道路路口的电警数据，完成城市道路交通动态最优路径规划的技术问题，本发明为城市的交通诱导和出行服务提供了一个新的解决思路，实现了已有资源的充分利用、避免了重复建设，同时降低了对互联网浮动车数据的依赖，节约了投入成本。

Claims (3)

1.一种基于电警数据的城市道路交通最优路径在线规划方法，其特征在于：包括如下步骤：
步骤1：对路网基础信息进行标定，路网基础信息包括路口车道信息、路段信息和电警卡口编号信息；
步骤2：通过上下游路口间的过车车牌匹配，计算同一辆车经过上下游路口的时间差，得到路口各进口道每个转向车辆在该路段的旅行时间；
步骤3：构建类K_means聚类模型，依据路口各进口道的转向类别，分别对各转向车辆的路段旅行时间进行聚类分析，并将最多样本类的算术平均值作为各转向的平均路段旅行时间；
类K_means聚类模型的初始类质心由以下公式确定：
Ck＝Valuemin+val×(2×(k+1)-1)/(2×NC)；
其中Valuemin是样本集中的最小值，val是样本集中最大值与最小值之差，NC是样本的个数，k∈[0,NC-1]；
步骤4：构建最优路径规划模型，设定OD为路口起止点，当前OD的最优路径搜索模型由以下最优路径搜索公式确定：
Figure FDA0002190375050000011
其中，TOD，Ppoint{O,D}分别为OD最短旅行时间及其对应路径的路口节点集，K为中转路口节点；
最优路径搜索公式采用“路口—路口—时间”数据结构，初始时非相邻路口间的路段旅行时间用inf表示，inf取值为无穷，若O→K→D的旅行时间小于当前OD旅行时间，则更新当前OD最短旅行时间，并记录中转点K，进入下一次循；
步骤5：搜索当前OD最优三条路径，其步骤如下：
步骤S1：设定
Figure FDA0002190375050000012
和均为k×k矩阵，k为路口数目，
Figure FDA0002190375050000021
分别存储OD的三条最优路径的旅行时间，设定
Figure FDA0002190375050000022
和分别存储三条最优路径的路口节点；
步骤S2：在初始时刻
Figure FDA0002190375050000024
存储当前所有相邻路口间的路段旅行时间，非相邻路口间的旅行时间为inf，
Figure FDA0002190375050000025
所有值均为inf；
步骤S3：以路口K为中转点，列出节点O→K→D的所有组合形式，即
Figure FDA0002190375050000026
并对这些组合进行排序，记为Tsort[i]；
记录每一种组合对应的路口节点；
步骤S4：如果Tsort[1]小于
Figure FDA0002190375050000027
则Tsort[1]为最优结果，并执行步骤S5；否则
Figure FDA0002190375050000028
为最优结果，并执行步骤S6；
步骤S5：将最小值作为第二最优结果；
判断，如果
Figure FDA00021903750500000210
为最小，则将
Figure FDA00021903750500000211
最小值作为第三最优结果；
否则，如果Tsort[2]为最小，则将
Figure FDA00021903750500000212
最小值作为第三最优结果，并执行步骤S9；
步骤S6：如果Tsort[1]小于
Figure FDA00021903750500000213
则Tsort[1]为第二最优结果，并执行步骤S7；否则
Figure FDA00021903750500000214
为第二最优结果，并执行步骤S8；
步骤S7：将最小值作为第三最优结果，并执行步骤S9；
步骤S8：如果Tsort[1]小于则Tsort[1]为第三最优结果，否则
Figure FDA0002190375050000031
为第三最优结果；
步骤S9：遍历所有路口k，记录每一种最优结果对应的路口节点，重复执行步骤S3到步骤S8，并通过VISSIM仿真验证其有效性。
2.如权利要求1所述的一种基于电警数据的城市道路交通最优路径在线规划方法，其特征在于：所述网基础信息具体包括路口—路段、路段—车道、车道—驶入车道、路口—路口—距离、路口—路口—时间、路口—路口—编号数据结构，其中，路口—路段的数据结构用于标定一个路口所连路段编号；路段—车道数据的结构用于标定一条路段所包含转向车道编号；车道—驶入车道的数据结构用于标定一个转向车道所含上游驶入车道编号；路口—路口—距离的数据结构用于标定路口间的路段距离；路口—路口—编号的数据结构用于标定路口间的路段编号，路口—路口—时间的数据结构用于标定路口间的路段旅行时间。
3.如权利要求1所述的一种基于电警数据的城市道路交通最优路径在线规划方法，其特征在于：在执行步骤2时，通过以下公式计算路口各进口道每个转向车辆的路段旅行时间：
ΔTcar＝Tlocar-Tupcar；
其中Tlocar为车辆经过本地路口的过车时间，Tupcar是车辆经过上游路口的过车时间。
CN201910830073.6A 2019-09-04 2019-09-04 一种基于电警数据的城市道路交通最优路径在线规划方法 Active CN110634289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910830073.6A CN110634289B (zh) 2019-09-04 2019-09-04 一种基于电警数据的城市道路交通最优路径在线规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910830073.6A CN110634289B (zh) 2019-09-04 2019-09-04 一种基于电警数据的城市道路交通最优路径在线规划方法

Publications (2)

Publication Number Publication Date
CN110634289A true CN110634289A (zh) 2019-12-31
CN110634289B CN110634289B (zh) 2021-01-01

Family

ID=68970092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910830073.6A Active CN110634289B (zh) 2019-09-04 2019-09-04 一种基于电警数据的城市道路交通最优路径在线规划方法

Country Status (1)

Country Link
CN (1) CN110634289B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314857A (zh) * 2020-02-13 2020-06-19 青岛海信网络科技股份有限公司 一种基于过车视频数据的车辆实时出行轨迹获取方法
CN112556714A (zh) * 2020-12-08 2021-03-26 武汉理工光科股份有限公司 一种消防灭火救援智能路径规划方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256083A (zh) * 2008-04-09 2008-09-03 山东大学 基于动态信息的城市交通网络路径选择方法
CN102509470A (zh) * 2011-10-14 2012-06-20 北京掌城科技有限公司 基于动态路径规划实现车辆节能减排的系统和方法
US20130179058A1 (en) * 2005-06-23 2013-07-11 Cyrus W. Smith Method and system for using cellular data for transportation planning and engineering
CN105571605A (zh) * 2016-01-29 2016-05-11 宇龙计算机通信科技(深圳)有限公司 导航路线规划方法、导航路线规划装置、终端及服务器
CN106403976A (zh) * 2016-08-30 2017-02-15 哈尔滨航天恒星数据系统科技有限公司 一种基于阻抗匹配的Dijkstra最优交通路径规划方法及系统
CN107025788A (zh) * 2017-05-17 2017-08-08 青岛海信网络科技股份有限公司 一种旅行时间预测方法及装置
CN107195180A (zh) * 2017-06-08 2017-09-22 青岛海信网络科技股份有限公司 一种基于电警数据的交通出行轨迹提取方法和装置
CN108961747A (zh) * 2018-07-03 2018-12-07 北京航空航天大学 一种不完备卡口数据条件下的城市道路交通状态信息提取方法
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130179058A1 (en) * 2005-06-23 2013-07-11 Cyrus W. Smith Method and system for using cellular data for transportation planning and engineering
CN101256083A (zh) * 2008-04-09 2008-09-03 山东大学 基于动态信息的城市交通网络路径选择方法
CN102509470A (zh) * 2011-10-14 2012-06-20 北京掌城科技有限公司 基于动态路径规划实现车辆节能减排的系统和方法
CN105571605A (zh) * 2016-01-29 2016-05-11 宇龙计算机通信科技(深圳)有限公司 导航路线规划方法、导航路线规划装置、终端及服务器
CN106403976A (zh) * 2016-08-30 2017-02-15 哈尔滨航天恒星数据系统科技有限公司 一种基于阻抗匹配的Dijkstra最优交通路径规划方法及系统
CN107025788A (zh) * 2017-05-17 2017-08-08 青岛海信网络科技股份有限公司 一种旅行时间预测方法及装置
CN107195180A (zh) * 2017-06-08 2017-09-22 青岛海信网络科技股份有限公司 一种基于电警数据的交通出行轨迹提取方法和装置
CN108961747A (zh) * 2018-07-03 2018-12-07 北京航空航天大学 一种不完备卡口数据条件下的城市道路交通状态信息提取方法
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李想: "基于电警卡口的旅行时间计算方法", 《2014第九届中国智能交通年会大会论文集》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314857A (zh) * 2020-02-13 2020-06-19 青岛海信网络科技股份有限公司 一种基于过车视频数据的车辆实时出行轨迹获取方法
CN112556714A (zh) * 2020-12-08 2021-03-26 武汉理工光科股份有限公司 一种消防灭火救援智能路径规划方法及系统
CN112556714B (zh) * 2020-12-08 2023-07-07 武汉理工光科股份有限公司 一种消防灭火救援智能路径规划方法及系统

Also Published As

Publication number Publication date
CN110634289B (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN104050817B (zh) 限速信息库生成、限速信息检测的方法和系统
CN105046956B (zh) 一种基于转向系数的交通流模拟及预测方法
CN105023434B (zh) 一种高速公路拥堵指数的获取方法
CN106846801A (zh) 一种基于车辆轨迹的区域徘徊异常行为检测方法
Minh et al. Maneuvers of motorcycles in queues at signalized intersections
Wang et al. Fine-grained traffic flow prediction of various vehicle types via fusion of multisource data and deep learning approaches
CN105825671B (zh) 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统
CN104778834A (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN110634289B (zh) 一种基于电警数据的城市道路交通最优路径在线规划方法
CN113112816B (zh) 一种车辆在路段平均行驶延误的提取方法
CN113570864B (zh) 一种电动自行车行驶路径匹配方法、设备及存储介质
CN113870570B (zh) 一种基于etc的路网运行状态方法、系统和存储介质
CN100466010C (zh) 异类交通信息实时融合方法
CN106097717A (zh) 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法
CN105654720A (zh) 基于城市道路拥堵识别的检测器布设方法
Kumar et al. Study on road traffic congestion: A review
CN111986483A (zh) 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质
Gore et al. Exploring credentials of Wi‐Fi sensors as a complementary transport data: an Indian experience
CN105551241B (zh) 一种基于fcd及ep多源数据的实时拥堵分析方法
CN110675631A (zh) 一种交通流溯源分析方法及系统
CN106683406A (zh) 一种基于公交车载gps数据的公交专用道通行瓶颈检测方法
Salim et al. Estimation of average space headway under heterogeneous traffic conditions
CN110211380B (zh) 一种多源交通数据融合的高速公路拥堵区间探测方法
CN109325617B (zh) 一种城市交通状态预测方法及装置
CN116434361A (zh) 一种基于etc交易数据的高速公路拥堵识别方法

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