CN110766939A - 基于车辆轨迹数据的信号交叉口排队长度估算方法 - Google Patents
基于车辆轨迹数据的信号交叉口排队长度估算方法 Download PDFInfo
- Publication number
- CN110766939A CN110766939A CN201910892421.2A CN201910892421A CN110766939A CN 110766939 A CN110766939 A CN 110766939A CN 201910892421 A CN201910892421 A CN 201910892421A CN 110766939 A CN110766939 A CN 110766939A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- signalized intersection
- vehicle
- track
- 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
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
-
- 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
Abstract
本发明公开一种基于车辆轨迹数据的信号交叉口排队长度估算方法,首先采集每辆通过信号交叉口的样本车辆的轨迹数据,建立原始数据库;然后从原始数据库中筛选样本数据,生成样本数据文件;接着从样本数据文件中提取有效样本,构建有效样本集;并通过有效样本集确定信号交叉口各个进口道对应的停车线代表点;最后根据进口道对应的停车线代表点和有效样本估算排队长度。通过多种途径采集经过信号交叉口的车辆的轨迹数据,并从采集的轨迹数据中提取有效的样本数据,减少数据处理量的同时,通过有效的样本数据可以有效地估算信号交叉口的车辆排队长度,体现交叉口在不同时段的交通运行状态的差异性,为交叉口的交通运行状态评价奠定了基础。
Description
技术领域
本发明涉及检测统计的交通运动领域,特别是涉及一种基于车辆轨迹数据的信号交叉口排队长度估算方法。
背景技术
信号交叉口作为城市道路系统的重要纽带,不同等级的交叉口,除静态道路设施及设计参数以外,会根据交通区位优劣、交通转换功能的强弱,以及交通需求的不均衡呈现一定的差异性。掌握交叉口车辆排队长度分布特性及规律,是城市干道交通运行状态判别及堵点识别的基础,也是交叉口运行状态判别及拥堵成因分析的重要参考。因此,如何有效地估算交叉口的车辆排队长度,对于交叉口的运行状态评价十分重要。
发明内容
为解决以上技术问题,本发明提供一种基于车辆轨迹数据的信号交叉口排队长度估算方法,通过采集多源轨迹数据,采用以样本反映总体的思路,从多源轨迹数据中提取有效的样本数据,估算信号交叉口的排队长度。
技术方案如下:
提供了一种基于车辆轨迹数据的信号交叉口排队长度估算方法,第一种可实现方式包括:
步骤1、采集每辆通过信号交叉口的样本车辆的轨迹数据,建立原始数据库;
步骤2、从原始数据库中提取出指定时间段内的轨迹数据,构建用于估算排队长度的样本集;
步骤3、确定样本集中的有效样本,并提取出有效样本构建有效样本集;
步骤4、通过有效样本集估算各个进口道的排队长度。
结合第一种可实现方式,在第二种可实现方式中,所述步骤4采用以下方法计算进口道的排队长度包括:
确定进口道对应的有效样本;
通过对应的有效样本确定进口道的停车线代表点;
通过有效样本中的停车点数据,计算有效样本相对于停车线代表点的排队距离;
结合进口道对应的所有有效样本的排队距离估算其排队长度。
结合第二种可实现方式,在第三种可实现方式中,所述步骤4还包括计算车道的排队长度:
确定车道对应的有效样本;
通过有效样本中的停车点数据,计算有效样本相对于停车线代表点的排队距离;
结合车道对应的所有有效样本的排队距离估算其排队长度。
结合第二种或第三种可实现方式,在第四种可实现方式中,采用球面距离计算方法计算有效样本对应的停车点与停车线代表点之间的距离。
结合第一种可实现方式,在第五种可实现方式中,所述确定样本集中的有效样本包括:
将样本中的轨迹点数据按照时间顺序进行排序;
遍历样本并提取轨迹点数据中的速度数据,生成速度序列;
选取速度序列符合有效样本标准的样本作为有效样本。
结合第五种可实现方式,在第六种可实现方式中,所述有效样本标准为:
其中,vt1、vt2为速度序列中的速度数据,α为停车速度阈值,β为驶离速度阈值,t1<t2。
结合第一种可实现方式,在第七种可实现方式中,所述步骤2包括:
从原始数据库中调取指定分析时间段内的轨迹数据;
通过调取的轨迹数据确定信号交叉口范围;
通过信号交叉口范围的区域坐标,筛选出信号交叉口范围内的轨迹点数据;
根据筛选出的轨迹点数据生成车辆ID数据集;
按照车辆ID数据集中的车辆ID,对筛选出的轨迹点数据进行归类,生成每个车辆ID对应的样本,建立样本集。
结合第七种可实现方式,在第八种可实现方式中,所述通过调取的轨迹数据确定信号交叉口范围包括:
从调取的轨迹数据中筛选出车辆速度低于指定速度阈值的轨迹点数据;
通过筛选出的轨迹点数据的坐标数据,确定轨迹点数据分布的集中区域;
根据集中区域的尾部边界确定信号交叉口范围。
结合第一种可实现方式,在第九种可实现方式中,所述步骤1包括:
采集车辆通过信号交叉口区域发送的轨迹数据;
对采集到的轨迹数据进行清洗,去除重复数据和冗余字段;
按照时间顺序对清洗后的轨迹数据进行排序;
按照等时间段对排序后的轨迹数据进行划分存储,建立原始数据库。
有益效果:采用本发明的基于车辆轨迹数据的信号交叉口排队长度估算方法,通过多种途径采集经过信号交叉口的车辆的轨迹数据,并从采集的轨迹数据中提取有效的样本数据,减少数据处理量的同时,通过有效的样本数据可以有效地估算信号交叉口的车辆排队长度,体现交叉口在不同时段的交通运行状态的差异性,为交叉口的交通运行状态评价奠定了基础。
附图说明
图1为本发明的排队长度估算方法的流程图;
图2为建立原始数据库的流程图;
图3为生成样本集的流程图;
图4为确定信号交叉口范围的流程图;
图5为提取有效样本的流程图;
图6为进口道的车辆通行时间的计算流程图;
图7为车道的车辆通行时间的计算流程图;
图8为样本预备库中的样本数据轨迹点分布图;
图9为交叉口范围的样本数据分布图;
图10为进口道的停车线代表点代表点的位置分布图;
图11为有效样本对应的轨迹点与停车线代表点的关系示意图;
图12为部分有效数据对应的轨迹点与停车线代表点之间的距离数据表。
具体实施方式
下面结合实施例和附图对本发明作进一步说明。
如图1所示基于车辆轨迹数据的信号交叉口排队长度估算方法的流程图,该估算方法包括:
步骤1、采集每辆通过信号交叉口的样本车辆的轨迹数据,建立原始数据库;
步骤2、从原始数据库中提取出指定时间段内的轨迹数据,构建用于估算排队长度的样本集;
步骤3、确定样本集中的有效样本,并提取出有效样本构建有效样本集;
步骤4、通过有效样本集估算各个进口道的排队长度。
具体而言,采集经过信号交叉口的每一辆车辆的GPS数据,轨迹数据包含有车辆通过信号交叉口的各个轨迹点的坐标、速度、时间以及车辆ID编码等信息。从采集的轨迹数据中筛选出指定交叉口范围内特定评价时段内的轨迹数据,根据这些数据构建起每辆车通过信号交叉口的行驶轨迹作为样本,组建起样本集。然后从样本集中筛选出有效样本用以评估信号交叉口的排队长度。
在本实施例中,优选的,如图6所示,所述步骤4采用以下方法计算进口道的排队长度包括:
步骤4-1-1、确定进口道对应的有效样本;
步骤4-1-2、通过对应的有效样本确定进口道的停车线代表点;
步骤4-1-3、通过有效样本中的停车点数据,计算有效样本相对于停车线代表点的排队距离;
步骤4-1-4、结合进口道对应的所有有效样本的排队距离估算其排队长度。
具体而言,各个进口道的区域范围和停车线代表点代表点直接通过ArcGIS平台人工设定,通过进口道的区域范围可以确定有效样本集中各个有效样本所对应的进口道。通过有效样本中各个轨迹点数据可以确定每辆样本车辆在对应进口道中的位置和状态,从而确定样本车辆在进口道中的停车点。通过停车点坐标和停车线代表点即可计算出样本车辆在该停车点处的排队长度,并从中选取出最大的排队距离作为样本车辆在进口道的排队长度,得到如图12所示,最后通过所有有效样本的排队长度进行平均即可评估进口道的排队长度。
进口道中左、直、右不同车道功能的排队长度反映交叉口各功能车道供需的差异性,连续周期的跟踪分析,利于获取更精细化的状态指标和评价结果。在本实施例中,优选的,如图7所示,所述步骤4还包括计算车道的排队长度:
步骤4-2-1、确定车道对应的有效样本;
步骤4-2-2、通过有效样本中的停车点数据,计算有效样本相对于停车线代表点的排队距离;
步骤4-2-3、结合车道对应的所有有效样本的排队距离估算其排队长度。
具体而言,通过确定进口道的区域范围,再对各个进口道的各个车道进行划分,确定各个车道的车道区域范围。根据车道区域范围从有效样本集中提取各个车道对应的有效样本,然后采用与上述样本车辆相同的计算方法,计算各个车道对应的样本车辆的排队距离,最后通过车道对应的所有样本车辆的排队长度估算车道的平均排队长度。
在本实施例中,优选的,采用球面距离计算方法计算有效样本对应的轨迹点与停车线代表点之间的距离。如图11所示,比如停车线代表点代表点的坐标为A(Lat0,Long0),车辆初始停车点所对应的坐标为B(Lat1,Long1)。
轨迹点与停车线代表点之间的距离
Distance(AB)=R*Arccos(m);
m=sin(Lat0/5702958)*sin(Lat1/5702958)+cos(Lat0/57.2958)*cos(Lat2/57.2958)*cos((Long0-Long1)/57.2958)。
在本实施例中,优选的,如图5所示,所述确定样本集中的有效样本包括:
步骤A1、将样本中的轨迹点数据按照时间顺序进行排序;
步骤A2、遍历样本并提取轨迹点数据中的速度数据,生成速度序列;
步骤A3、选取速度序列符合有效样本标准的样本作为有效样本。
具体而言,将样本中的轨迹点数据按照时间顺序进行排序后,从中提取出每个轨迹点数据的速度数据所构成的速度序列,速度序列能够反映出样本车辆在道路信号交叉口范围内的运行过程,而只要速度序列满足有效样本标准,则表明该速度序列对应的样本可以作为估算排队长度的有效样本,从而排除一些无效样本,提高估算精度。
在本实施例中,优选的,所述有效样本标准为:
其中,vt1、vt2为速度序列中的速度数据,α为停车速度阈值,β为驶离速度阈值,t1<t2。
车辆在信号交叉口一般会经历减速停车,然后再加速驶离这2个过程,停车速度阈值和驶离速度阈值代表这两个过程的临界点。因此,若速度序列中存在低于停车速度阈值的速度数据,并且,该速度数据以后的序列段中存在超过驶离速度阈值的速度数据,则该速度序列对应的样本即可确定为有效样本。提取的有效样本分布如图10所示。
在本实施例中,优选的,如图3所示,所述步骤2包括:
步骤2-1、从原始数据库中调取指定分析时间段内的轨迹数据;
步骤2-2、通过调取的轨迹数据确定信号交叉口范围;
步骤2-3、通过信号交叉口范围的区域坐标,筛选出信号交叉口范围内的轨迹点数据;
步骤2-4、根据筛选出的轨迹点数据生成车辆ID数据集;
步骤2-5、按照车辆ID数据集中的车辆ID,对筛选出的轨迹点数据进行归类,生成每个车辆ID对应的样本,建立样本集。
具体而言,通过ArcGIS平台从原始数据库,调取与指定的分析时段对应的轨迹数据建立样本预备库。然后通过确定了的信号交叉口范围,可以提取出信号交叉口范围内的轨迹数据,如图9所示,其中灰色区域为交叉口范围,建立的样本数据文件排除了交叉口范围、以及分析时段外的部分轨迹点所对应的轨迹数据。
在本实施例中,优选的,如图4所示,所述通过调取的轨迹数据确定信号交叉口范围包括:
步骤2-2-1、从调取的轨迹数据中筛选出车辆速度低于指定速度阈值的轨迹点数据;
步骤2-2-2、通过筛选出的轨迹点数据的坐标数据,确定轨迹点数据分布的集中区域;
步骤2-2-3、根据集中区域的尾部边界确定信号交叉口范围。
具体而言,利用ArcGIS平台的查询筛选功能,从调取的GPS数据中筛选出速度低于5km/h的轨迹点。然后确定这些轨迹点集中的区域,最后指定这些集中区域的尾部边界作为道路信号交叉口范围,得到道路信号交叉口范围如图9所示。
在本实施例中,优选的,如图2所示的建立原始数据库的流程图,所述步骤1包括:
步骤1-1、采集车辆通过信号交叉口区域发送的轨迹数据;
步骤1-2、对采集到的轨迹数据进行清洗,去除重复数据和冗余字段;
步骤1-3、按照时间顺序对清洗后的轨迹数据进行排序;
步骤1-4、按照等时间段对排序后的轨迹数据进行划分存储,建立原始数据库。
具体而言,可以采用数据库管理系统,如SQL server系统,对采集的轨迹数据进行数据清洗,以消除重复数据和冗余字段。然后利用Python脚本语言遍历清洗后的数据,将其按照时间顺序进行排序,并按等时间段进行文件切割,方便数据的快速导入、导出及筛选处理。
最后需要说明的是,上述描述仅仅为本发明的优选实施例,本领域的普通技术人员在本发明的启示下,在不违背本发明宗旨及权利要求的前提下,可以做出多种类似的表示,这样的变换均落入本发明的保护范围之内。
Claims (9)
1.一种基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,包括:
步骤1、采集每辆通过信号交叉口的样本车辆的轨迹数据,建立原始数据库;
步骤2、从原始数据库中提取出指定时间段内的轨迹数据,构建用于估算排队长度的样本集;
步骤3、确定样本集中的有效样本,并提取出有效样本构建有效样本集;
步骤4、通过有效样本集估算各个进口道的排队长度。
2.根据权利要求1所述的基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,所述步骤4采用以下方法计算进口道的排队长度包括:
确定进口道对应的有效样本;
通过对应的有效样本确定进口道的停车线代表点;
通过有效样本中的停车点数据,计算有效样本相对于停车线代表点的排队距离;
结合进口道对应的所有有效样本的排队距离估算其排队长度。
3.根据权利要求2所述的基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,所述步骤4还包括计算车道的排队长度:
确定车道对应的有效样本;
通过有效样本中的停车点数据,计算有效样本相对于停车线代表点的排队距离;
结合车道对应的所有有效样本的排队距离估算其排队长度。
4.根据权利要求2或3所述的基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,采用球面距离计算方法计算所述停车点与停车线代表点之间的距离。
5.根据权利要求1所述的基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,所述确定样本集中的有效样本包括:
将样本中的轨迹点数据按照时间顺序进行排序;
遍历样本并提取轨迹点数据中的速度数据,生成速度序列;
选取速度序列符合有效样本标准的样本作为有效样本。
7.根据权利要求1所述的基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,所述步骤2包括:
从原始数据库中调取指定分析时间段内的轨迹数据;
通过调取的轨迹数据确定信号交叉口范围;
通过信号交叉口范围的区域坐标,筛选出信号交叉口范围内的轨迹点数据;
根据筛选出的轨迹点数据生成车辆ID数据集;
按照车辆ID数据集中的车辆ID,对筛选出的轨迹点数据进行归类,生成每个车辆ID对应的样本,建立样本集。
8.根据权利要求7所述的基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,所述通过调取的轨迹数据确定信号交叉口范围包括:
从调取的轨迹数据中筛选出车辆速度低于指定速度阈值的轨迹点数据;
通过筛选出的轨迹点数据的坐标数据,确定轨迹点数据分布的集中区域;
根据集中区域的尾部边界确定信号交叉口范围。
9.根据权利要求1所述的基于车辆轨迹数据的信号交叉口排队长度估算方法,其特征在于,所述步骤1包括:
采集车辆通过信号交叉口区域发送的轨迹数据;
对采集到的轨迹数据进行清洗,去除重复数据和冗余字段;
按照时间顺序对清洗后的轨迹数据进行排序;
按照等时间段对排序后的轨迹数据进行划分存储,建立原始数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892421.2A CN110766939B (zh) | 2019-09-20 | 2019-09-20 | 基于车辆轨迹数据的信号交叉口排队长度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892421.2A CN110766939B (zh) | 2019-09-20 | 2019-09-20 | 基于车辆轨迹数据的信号交叉口排队长度估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766939A true CN110766939A (zh) | 2020-02-07 |
CN110766939B CN110766939B (zh) | 2020-11-06 |
Family
ID=69330353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910892421.2A Active CN110766939B (zh) | 2019-09-20 | 2019-09-20 | 基于车辆轨迹数据的信号交叉口排队长度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766939B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819483A (zh) * | 2023-08-28 | 2023-09-29 | 南京隼眼电子科技有限公司 | 路口车辆排队长度检测方法、装置、存储介质及终端 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1198746A4 (en) * | 1999-03-08 | 2002-06-05 | Yosef Mintz | TRAFFIC OVERALL MAPPING METHOD AND SYSTEM |
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN102855760A (zh) * | 2012-09-27 | 2013-01-02 | 中山大学 | 基于浮动车数据的在线排队长度检测方法 |
CA2881198A1 (en) * | 2012-08-17 | 2014-02-20 | King Abdullah University Of Science And Technology | System and method for monitoring traffic while preserving personal privacy |
CN106023602A (zh) * | 2016-06-15 | 2016-10-12 | 重庆交通大学 | 山地城市信号交叉口延误计算方法 |
CN106097730A (zh) * | 2016-08-10 | 2016-11-09 | 青岛海信网络科技股份有限公司 | 一种路段车辆排队长度的估计方法、装置及系统 |
CN106355907A (zh) * | 2016-10-18 | 2017-01-25 | 同济大学 | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 |
US20170076596A1 (en) * | 2014-03-03 | 2017-03-16 | Inrix Inc., | Estimating transit queue volume using probe ratios |
CN106571030A (zh) * | 2016-10-20 | 2017-04-19 | 西南交通大学 | 多源交通信息环境下排队长度预测方法 |
CN106652487A (zh) * | 2016-11-28 | 2017-05-10 | 重庆交通大学 | 一种交通密度检测系统及其检测方法 |
CN108053645A (zh) * | 2017-09-12 | 2018-05-18 | 同济大学 | 一种基于轨迹数据的信号交叉口周期流量估计方法 |
CN109544915A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的排队长度分布估计方法 |
-
2019
- 2019-09-20 CN CN201910892421.2A patent/CN110766939B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1198746A4 (en) * | 1999-03-08 | 2002-06-05 | Yosef Mintz | TRAFFIC OVERALL MAPPING METHOD AND SYSTEM |
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CA2881198A1 (en) * | 2012-08-17 | 2014-02-20 | King Abdullah University Of Science And Technology | System and method for monitoring traffic while preserving personal privacy |
CN102855760A (zh) * | 2012-09-27 | 2013-01-02 | 中山大学 | 基于浮动车数据的在线排队长度检测方法 |
US20170076596A1 (en) * | 2014-03-03 | 2017-03-16 | Inrix Inc., | Estimating transit queue volume using probe ratios |
CN106023602A (zh) * | 2016-06-15 | 2016-10-12 | 重庆交通大学 | 山地城市信号交叉口延误计算方法 |
CN106097730A (zh) * | 2016-08-10 | 2016-11-09 | 青岛海信网络科技股份有限公司 | 一种路段车辆排队长度的估计方法、装置及系统 |
CN106355907A (zh) * | 2016-10-18 | 2017-01-25 | 同济大学 | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 |
CN106571030A (zh) * | 2016-10-20 | 2017-04-19 | 西南交通大学 | 多源交通信息环境下排队长度预测方法 |
CN106652487A (zh) * | 2016-11-28 | 2017-05-10 | 重庆交通大学 | 一种交通密度检测系统及其检测方法 |
CN108053645A (zh) * | 2017-09-12 | 2018-05-18 | 同济大学 | 一种基于轨迹数据的信号交叉口周期流量估计方法 |
CN109544915A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的排队长度分布估计方法 |
Non-Patent Citations (3)
Title |
---|
JIN-GHOO CHOI: "Analysis of total average queue length in multi-hop wireless networks", 《INFORMATION PROCESSING LETTERS》 * |
庄立坚,何兆成,叶伟佳,褚俊飞,邓玲丽: "基于浮动车数据的排队长度检测方法研究", 《交通运输系统工程与信息》 * |
陈秋曲: "基于公交GPS数据的信号交叉口排队长度估计研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819483A (zh) * | 2023-08-28 | 2023-09-29 | 南京隼眼电子科技有限公司 | 路口车辆排队长度检测方法、装置、存储介质及终端 |
CN116819483B (zh) * | 2023-08-28 | 2023-11-14 | 南京隼眼电子科技有限公司 | 路口车辆排队长度检测方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110766939B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN108364467B (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
CN108921083B (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
Patnaik et al. | Divisive Analysis (DIANA) of hierarchical clustering and GPS data for level of service criteria of urban streets | |
Kazagli et al. | Estimation of arterial travel time from automatic number plate recognition data | |
CN106097717B (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 | |
CN105261217A (zh) | 一种基于密度聚类算法的城市交通拥堵状态检测方法 | |
CN111462488A (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
CN107240264B (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
CN108241819B (zh) | 路面标记的识别方法及装置 | |
CN105809193B (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
CN111351499B (zh) | 路径识别方法、装置、计算机设备和计算机可读存储介质 | |
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN113140114B (zh) | 一种基于行程时间估计的车辆出行路径重构方法 | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN110766939B (zh) | 基于车辆轨迹数据的信号交叉口排队长度估算方法 | |
Li et al. | Modeling vehicle merging position selection behaviors based on a finite mixture of linear regression models | |
CN113506457A (zh) | 基于大型停车场场景下寻找停车位的装置和方法 | |
CN111882858A (zh) | 一种基于多源数据的高速公路异常事件排队长度预测方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN110400461B (zh) | 一种路网变更检测方法 | |
CN112926768A (zh) | 基于时空注意力机制的地面道路车道级交通流预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220106 Address after: 400700 No. 117-556, Yunhan Avenue, Beibei District, Chongqing Patentee after: Chongqing Linggu Transportation Technology Co.,Ltd. Address before: 400074 No. 66, Xuefu Avenue, Nan'an District, Chongqing Patentee before: CHONGQING JIAOTONG University |
|
TR01 | Transfer of patent right |