CN111653091B - 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 - Google Patents
一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 Download PDFInfo
- Publication number
- CN111653091B CN111653091B CN202010401290.6A CN202010401290A CN111653091B CN 111653091 B CN111653091 B CN 111653091B CN 202010401290 A CN202010401290 A CN 202010401290A CN 111653091 B CN111653091 B CN 111653091B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- road section
- speed
- floating car
- 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
- 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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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)
Abstract
本发明提供一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法,该方法包括了数据预处理、浮动车路网匹配算法、数据融合算法以及潮汐交通拥堵识别算法。首先将不同数据集中的无效数据移除,然后根据一种浮动车路网匹配算法计算得到GPS速度数据集,再根据一种数据融合算法结合GPS速度数据集与高德速度数据集,计算得到融合后的路段速度数据集。接着利用该数据集计算出路段拥堵指数,再建立潮汐评价指标,最后实现潮汐拥堵现象的识别。本发明充分考虑了高德数据与浮动车数据的特点,对不同数据集进行融合处理,进而实现潮汐交通拥堵的识别。本发明能够适用于交通运输规划、交通管理与控制、交通大数据等领域的研究。
Description
技术领域
本发明涉及潮汐交通识别算法领域,更具体地,涉及一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法。
背景技术
随着我国城镇化进程加快,空间人口分布不均衡越来越明显,中心城区工作人口多,居住人口少,而居住中心城区外的工作人口少,居住人口多,由此导致高峰时段主干道路双向交通量分布严重不均衡,形成了单向不对称拥堵的潮汐交通。实施潮汐车道是解决高峰时段交通拥堵最有效可行的措施之一,然而如何有效识别潮汐现象成为了交通管理者的一大难题。
一般而言,识别潮汐现象需要充分了解城市道路交通运行状态。随着交通大数据的爆炸性增长,产生了大量有价值的数据,使研究各类交通现象成为可能。目前,交通管理部门通常只单一地利用高德数据或者浮动车GPS数据或者其他数据进行交通状态的研判。然而,高德数据容易出现更新异常的情况,且高德路段速度较真实速度快,而浮动车GPS数据的覆盖率又普遍较低。因此需要一种融合高德数据与浮动车数据的算法,以了解城市道路交通真实运行状态。进而提出一种基于高德数据与浮动车数据潮汐交通拥堵识别方法,为交通规划、交通控制与管理等领域提供理论参考。
目前国内外对潮汐交通的研究较少,还没有建立识别潮汐交通现象的标准。另外,相关研究也没有考虑到对高德数据与浮动车GPS数据融合使用的场景。
发明内容
本发明提供一种准确率更高、评价指标更合理的基于高德数据与浮动车数据的潮汐交通拥堵识别方法。
为了达到上述技术效果,本发明的技术方案如下:
一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法,包括以下步骤:
S1:获取研究区域与研究时间段内的高德数据集与浮动车数据集;
S2:对高德数据集与浮动车数据集进行预处理,清除无效数据;
S3:通过浮动车路网匹配算法得到匹配到路段上的浮动车GPS速度数据集;
S4:利用得到的GPS数据的速度和高德数据的速度,通过数据融合算法加权计算,得到融合后的路段速度集;
S5:将融合后的路段速度转换得到路段拥堵指数;
S6:建立评价指标潮汐值,识别潮汐交通拥堵现象。
进一步地,所述步骤S1中的高德数据包括:(1)路段编号gid:路段的唯一标识;(2)经纬度msid:同一个msid的所有路段均在一定的经纬度范围内;(3)拥堵状态stat:路段的拥堵状态;(4)速度rsp:路段的速度;(5)方向dir:该条数据所在道路的方向;(6)时间gdt:高德数据记录产生的时间;所述的浮动车数据包括:(1)车辆牌号regn:车辆的唯一标识;(2)经度lng:车辆所在位置的经度;(3)纬度lat:车辆所在位置的纬度;(4)vsp:车辆的实时速度;(5)方向vdir:车辆的行车方向;(6)gpt:车辆GPS数据产生的时间。
进一步地,所述步骤S2中的无效数据包括位置异常数据,即浮动车数据的经纬度不在研究范围内;字段缺失数据,即时间、经纬度、车辆号牌等字段有缺失的数据;重复识别数据,即同一时刻的多条重复数据;以及停车数据,这里特指剔除浮动车数据中时间上连续2分钟半或以上速度为0的数据。
进一步地,所述步骤S3中浮动车路网匹配算法的具体过程为:
S31:统一空间坐标系,若浮动车GPS数据与路网地图所采用的空间坐标系不同,则需要将二者统一到同一个坐标系下;
S32:利用方向匹配法和最短距离法进行路网匹配:首先,把有折线的长路段打断成无折线的线段,每一个线段看成是一个小路段,该小路段的方向为其行车方向与正北方向的顺时针夹角,然后对每个GPS数据点寻找离该数据点某个范围内的小路段,该范围可以表示为长度为x的正方形框,再计算该GPS数据点对范围内所有小路段的距离L:以及角度差a,并计算出G,G的计算公式为:
G=L+a/4
其中,角度差a为GPS数据点行车方向与小路段行车方向的角度差;
最后取最小G值对应的小路段所在的路段作为该浮动车数据匹配到的路段,并记录每个GPS点所匹配到的路段编号以及对应的距离L;
S33:再清洗掉精确度不足的GPS数据,即距离L大于25米的数据;
S34:利用上述匹配并清洗后的GPS数据的速度字段作为瞬时速度,先计算匹配到同一路段编号的路段上的各辆车辆的平均速度,再计算同一路段上所有车辆的平均速度,作为同一路段编号的路段的速度。
进一步地,所述步骤S4中数据融合算法具体如下:
V融=VG·wG+V高·(1-wG)
其中,V融为融合的路段速度,VG为由GPS数据得到的路段速度,V高为高德数据的路段速度,wG为GPS数据的权重值,UG为浮动车匹配到研究路段上的数量,U高为研究路段上的高德APP用户数量。
其中,步骤S5中,路段拥堵指数由路段平均行程速度与路段自由流速度的百分比决定,其中,评判标准参考《城市交通运行状况评价规范GB/T33171-2016》。
进一步地,所述步骤S6中潮汐值指的是互为对向的两个路段在高峰时间段内的平均路段拥堵指数之差,计算公式为:
其中,β为潮汐值,Ci为大流量方向在高峰时间段内第i条记录对应的路段拥堵指数,Cj为小流量方向在高峰时间段内第j条记录对应的路段拥堵指数,N1为大流量方向在高峰时间段内的记录数,N2为小流量方向在高峰时间段内的记录数。
进一步地,所述步骤S6中潮汐交通拥堵现象的评定标准为:若早高峰本向路段的平均路段拥堵指数比对向路段的高,且晚高峰相反,则判定本向路段及对向路段出现了潮汐现象,计算出来的早晚高峰时间段的潮汐值必定都为非负值,潮汐值越大,潮汐交通现象越明显。
与现有技术相比,本发明技术方案的有益效果是:
本发明方法充分考虑了高德数据与浮动车数据的特点,通过数据融合,可以更准确、真实地反映道路交通运行状态;基于高德数据与浮动车数据融合的应用场景,提出潮汐值为评价标准,可以有效地识别出潮汐交通拥堵现象。
附图说明
图1为本发明方法的流程图。
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。
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。
如图1所示,一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法,包括以下步骤:
S1:获取研究区域与研究时间段内的高德数据集与浮动车数据集;
S2:对高德数据集与浮动车数据集进行预处理,清除无效数据;
S3:通过浮动车路网匹配算法得到匹配到路段上的浮动车GPS速度数据集;
S4:利用得到的GPS数据的速度和高德数据的速度,通过数据融合算法加权计算,得到融合后的路段速度集;
S5:将融合后的路段速度转换得到路段拥堵指数;
S6:建立评价指标潮汐值,识别潮汐交通拥堵现象。
首先,需要获取研究区域如地级行政区或县级行政区内的高德与浮动车GPS在研究时间段内的记录数据。
其次,对高德数据和浮动车GPS数据进行预处理:
a)将经纬度坐标不在研究区域内的数据删除;将字段信息为空值或无效值的数据删除;将同一时刻的多条重复数据删除;将停车数据删除,这里特指浮动车数据中时间上连续2分钟半或以上速度为0的数据;
b)将高德数据集和浮动车GPS数据集中非高峰时间段的数据剔除,不参与数据融合与潮汐值计算。
接着,通过浮动车路网匹配算法将浮动车GPS数据匹配到道路上:
a)把有折线的长路段打断成无折线的线段,每一个线段看成是一个小路段,该小路段的方向为其行车方向与正北方向的顺时针夹角;
b)对每个GPS数据点寻找离该数据点某个范围内的小路段,本例中该范围为长度为150米的正方形框;
c)计算该GPS数据点对范围内所有小路段的距离L以及角度差a,并计算出G值,G的计算公式为G=L+a/4,其中,角度差a为GPS数据点行车方向与小路段行车方向的角度差;
d)取最小G值对应的小路段所在的路段作为该浮动车数据匹配到的路段,并记录每个GPS点所匹配到的路段编号以及对应的距离L。清掉距离L超过25米的数据,然后计算出同一路段编号的路段速度平均值。
其中,V融为融合的路段速度,VG为由GPS数据得到的路段速度,V高为高德数据的路段速度,wG为GPS数据的权重值,UG为浮动车匹配到研究路段上的数量,U高为研究路段上的高德APP用户数量。由于UG是可知的,但高德速度数据的来源未知,U高可设置为每条路段不相同的定值,由该道路在高峰时间段的UG的平均值乘以该区域高德用户每天使用小时量除以浮动车每天使用小时量计算。
得到融合后的路段速度集后,将融合速度转化为路段拥堵指标。路段拥堵指数由路段平均行程速度与路段自由流速度的百分比决定,公式如下:
计算结果与路段拥堵指数的对应如表1所示,评判标准参考《城市交通运行状况评价规范GB/T33171-2016》,增加道路无数据时,路段拥堵指数为-1的情况:
表1 路段拥堵状况与速度的关系
路段拥堵指数 | 路段运行状况 | 行驶速度与自由流速度的百分比 |
1 | 畅通 | 70% |
2 | 基本畅通 | 50%-70% |
3 | 轻度拥堵 | 40%-50% |
4 | 中度拥堵 | 30%-40% |
5 | 严重拥堵 | <30% |
-1 | 无数据 |
接着,建立潮汐值为评价指标判断潮汐交通现象,计算公式如下:
其中,β为潮汐值,Ci为大流量方向在高峰时间段内第i条记录对应的路段拥堵指数,Cj为小流量方向在高峰时间段内第j条记录对应的路段拥堵指数,N1为大流量方向在高峰时间段内的记录数,N2为小流量方向在高峰时间段内的记录数。
若出现以下两种情况,则说明出现了潮汐交通现象:
情况一,早高峰本向路段平均路段拥堵指数高,对向路段平均拥堵指数低;晚高峰本向路段平均路段拥堵指数低,对向路段平均拥堵指数高;
情况二,早高峰本向路段平均路段拥堵指数低,对向路段平均拥堵指数高;晚高峰本向路段平均路段拥堵指数高,对向路段平均拥堵指数低。
最后实现潮汐交通拥堵的识别,具体过程为:
a)划分早晚高峰时间段,工作日为7:00-9:00和17:30-19:30,非工作日为9:30-11:30和17:00-19:00;
b)遍历第i条计算路段;
c)从数据库中筛选过去一天第i条路段的历史数据;
d)遍历过去一天的早高峰时间段和晚高峰时间段;
e)筛选过去一天早晚高峰时间段内i路段和对向路段的历史数据;
f)计算各自的潮汐值;
g)判断是否符合潮汐条件,即早高峰本向路段的平均路段拥堵指数比对向路段的高,且晚高峰相反,若符合,则该路段与对向路段互为潮汐拥堵路段;
h)重复步骤(b)、(c)、(d)、(e)、(f)和(g),直至所有路段遍历完毕;
i)将结果存储到数据库,包含早高峰本向车道早高峰平均拥堵指数(OCI)、对向车道早高峰平均拥堵指数(OAI)、本向车道晚高峰平均拥堵指数(ECI)、对向车道晚高峰平均拥堵指数(EAI)、是否潮汐车道(TN)、早高峰潮汐值(OTV)、晚高峰潮汐值(ETV),数据表如表2所示:
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 (2)
1.一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法,其特征在于,包括以下步骤:
S1:获取研究区域与研究时间段内的高德数据集与浮动车数据集;
S2:对高德数据集与浮动车数据集进行预处理,清除无效数据;
S3:通过浮动车路网匹配算法得到匹配到路段上的浮动车GPS速度数据集;
S4:利用得到的GPS数据的速度和高德数据的速度,通过数据融合算法加权计算,得到融合后的路段速度集;
S5:将融合后的路段速度转换得到路段拥堵指数;
S6:建立评价指标潮汐值,识别潮汐交通拥堵现象;
所述步骤S1中的高德数据包括:(1)路段编号gid:路段的唯一标识;(2)经纬度msid:同一个msid的所有路段均在一定的经纬度范围内;(3)拥堵状态stat:路段的拥堵状态;(4)速度rsp:路段的速度;(5)方向dir:该条数据所在道路的方向;(6)时间gdt:高德数据记录产生的时间;所述的浮动车数据包括:(1)车辆牌号regn:车辆的唯一标识;(2)经度lng:车辆所在位置的经度;(3)纬度lat:车辆所在位置的纬度;(4)vsp:车辆的实时速度;(5)方向vdir:车辆的行车方向;(6)gpt:车辆GPS数据产生的时间;
所述步骤S2中的无效数据包括位置异常数据,即浮动车数据的经纬度不在研究范围内;字段缺失数据,即时间、经纬度、车辆号牌等字段有缺失的数据;重复识别数据,即同一时刻的多条重复数据;以及停车数据,这里特指剔除浮动车数据中时间上连续2分钟半或以上速度为0的数据;
所述步骤S3中浮动车路网匹配算法的具体过程为:
S31:统一空间坐标系,若浮动车GPS数据与路网地图所采用的空间坐标系不同,则需要将二者统一到同一个坐标系下;
S32:利用方向匹配法和最短距离法进行路网匹配:首先,把有折线的长路段打断成无折线的线段,每一个线段看成是一个小路段,该小路段的方向为其行车方向与正北方向的顺时针夹角,然后对每个GPS数据点寻找离该数据点某个范围内的小路段,该范围可以表示为长度为x的正方形框,再计算该GPS数据点对范围内所有小路段的距离L:以及角度差a,并计算出G,G的计算公式为:
G=L+a/4
其中,角度差a为GPS数据点行车方向与小路段行车方向的角度差;
最后取最小G值对应的小路段所在的路段作为该浮动车数据匹配到的路段,并记录每个GPS点所匹配到的路段编号以及对应的距离L;
S33:再清洗掉精确度不足的GPS数据,即距离L大于25米的数据;
S34:利用上述匹配并清洗后的GPS数据的速度字段作为瞬时速度,先计算匹配到同一路段编号的路段上的各辆车辆的平均速度,再计算同一路段上所有车辆的平均速度,作为同一路段编号的路段的速度;
所述步骤S4中数据融合算法具体如下:
V融=VG·wG+V高·(1-wG)
其中,V融为融合的路段速度,VG为由GPS数据得到的路段速度,V高为高德数据的路段速度,wG为GPS数据的权重值,UG为浮动车匹配到研究路段上的数量,U高为研究路段上的高德APP用户数量;
所述步骤S6中潮汐值指的是互为对向的两个路段在高峰时间段内的平均路段拥堵指数之差,计算公式为:
其中,β为潮汐值,Ci为大流量方向在高峰时间段内第i条记录对应的路段拥堵指数,Cj为小流量方向在高峰时间段内第j条记录对应的路段拥堵指数,N1为大流量方向在高峰时间段内的记录数,N2为小流量方向在高峰时间段内的记录数。
2.根据权利要求1所述的基于高德数据与浮动车数据的潮汐交通拥堵识别方法,其特征在于,所述步骤S6中潮汐交通拥堵现象的评定标准为:若早高峰本向路段的平均路段拥堵指数比对向路段的高,且晚高峰相反,则判定本向路段及对向路段出现了潮汐现象,计算出来的早晚高峰时间段的潮汐值必定都为非负值,潮汐值越大,潮汐交通现象越明显。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010401290.6A CN111653091B (zh) | 2020-05-13 | 2020-05-13 | 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010401290.6A CN111653091B (zh) | 2020-05-13 | 2020-05-13 | 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111653091A CN111653091A (zh) | 2020-09-11 |
CN111653091B true CN111653091B (zh) | 2021-06-18 |
Family
ID=72352093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010401290.6A Active CN111653091B (zh) | 2020-05-13 | 2020-05-13 | 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111653091B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366584A (zh) * | 2013-06-20 | 2013-10-23 | 银江股份有限公司 | 基于实时交通流检测的自适应潮汐车道控制方法 |
CN104766469A (zh) * | 2015-03-26 | 2015-07-08 | 中兴智能交通有限公司 | 基于大数据分析的城市交通流潮汐仿真分析方法 |
CN105489009A (zh) * | 2015-12-28 | 2016-04-13 | 中兴软创科技股份有限公司 | 一种潮汐车道识别方法与系统 |
CN106097735A (zh) * | 2016-08-22 | 2016-11-09 | 安徽科力信息产业有限责任公司 | 基于平面感知检测技术的潮汐车道信号灯控制方法及系统 |
CN106297326A (zh) * | 2016-10-27 | 2017-01-04 | 深圳榕亨实业集团有限公司 | 基于全息路网潮汐交通流可变车道控制方法 |
CN107730892A (zh) * | 2017-11-20 | 2018-02-23 | 中兴软创科技股份有限公司 | 一种基于fcd与互联网数据融合的交通拥堵指数评价方法 |
CN109035815A (zh) * | 2018-08-16 | 2018-12-18 | 公安部交通管理科学研究所 | 基于多源交通大数据的交通信号优化系统及运行方法 |
CN109215343A (zh) * | 2018-09-20 | 2019-01-15 | 山东交通学院 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
CN109690646A (zh) * | 2017-06-12 | 2019-04-26 | 北京嘀嘀无限科技发展有限公司 | 分析和调整道路状况的系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146441A (zh) * | 2017-06-27 | 2017-09-08 | 福建分云智能科技有限公司 | 一种基于智能穿戴设备的实时路况导航系统 |
-
2020
- 2020-05-13 CN CN202010401290.6A patent/CN111653091B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366584A (zh) * | 2013-06-20 | 2013-10-23 | 银江股份有限公司 | 基于实时交通流检测的自适应潮汐车道控制方法 |
CN104766469A (zh) * | 2015-03-26 | 2015-07-08 | 中兴智能交通有限公司 | 基于大数据分析的城市交通流潮汐仿真分析方法 |
CN105489009A (zh) * | 2015-12-28 | 2016-04-13 | 中兴软创科技股份有限公司 | 一种潮汐车道识别方法与系统 |
CN106097735A (zh) * | 2016-08-22 | 2016-11-09 | 安徽科力信息产业有限责任公司 | 基于平面感知检测技术的潮汐车道信号灯控制方法及系统 |
CN106297326A (zh) * | 2016-10-27 | 2017-01-04 | 深圳榕亨实业集团有限公司 | 基于全息路网潮汐交通流可变车道控制方法 |
CN109690646A (zh) * | 2017-06-12 | 2019-04-26 | 北京嘀嘀无限科技发展有限公司 | 分析和调整道路状况的系统和方法 |
CN107730892A (zh) * | 2017-11-20 | 2018-02-23 | 中兴软创科技股份有限公司 | 一种基于fcd与互联网数据融合的交通拥堵指数评价方法 |
CN109035815A (zh) * | 2018-08-16 | 2018-12-18 | 公安部交通管理科学研究所 | 基于多源交通大数据的交通信号优化系统及运行方法 |
CN109215343A (zh) * | 2018-09-20 | 2019-01-15 | 山东交通学院 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111653091A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276950B (zh) | 一种基于卡口视频数据的城市交通出行链重构方法 | |
CN107146446A (zh) | 一种基于rfid数据和动态车源的路径诱导方法 | |
CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
CN109520499B (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
CN112017429B (zh) | 一种基于货车gps数据的治超监测布点方法 | |
CN109191852B (zh) | 车-路-云协同的交通流态势预测方法 | |
CN103942952B (zh) | 一种路网功能层次状态等级评估方法 | |
CN110634292A (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
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 | |
CN112784000A (zh) | 基于出租车轨迹数据的寻客方法 | |
CN110245774A (zh) | 一种根据员工家庭住址进行班车线路优化的方法 | |
Kumar et al. | Study on road traffic congestion: A review | |
CN111653091B (zh) | 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 | |
CN113129586B (zh) | 一种基于路段速度数据的平面交叉口整体运行评价方法 | |
CN110021178B (zh) | 一种基于路口相似度的信号配时方案推荐方法 | |
Al Mahmud et al. | Impact of pedal powered vehicles on average traffic speed in dhaka city: A cross-sectional study based on road class and timestamp | |
Chatterjee et al. | Level of service criteria on Indian multilane highways based on platoon characteristics | |
CN116629414A (zh) | 一种基于图卷积网络的交通事故预测方法 | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN113343358B (zh) | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 | |
CN114090554B (zh) | 一种居民出行od的职住平衡区域划分方法 | |
Sarraf et al. | A data integration and analysis system for safe route planning | |
CN108564793A (zh) | 一种基于rfid电子车牌数据的行程时间预测方法 | |
Song et al. | Clustering and understanding traffic flow patterns of large scale urban roads |
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 |